Proba S3 Complet Copie

©G. Malzac – Probabilité Elementaire, ©G.
Malzac -- Probabilité Elementaire,

L2S3, TSE UT1 Capitole 2013/2014 (édition 22/11/2013) L2S3, TSE UT1 Capitole 2013/2014 (édition 22/11/2013)
PROBABILITES B) La tribu des évènements : a

Déf : Une probabilité mesure les chances qu’à « a » est l’ensemble des évènements que l’on
un événement (dont l’issue est aléatoire) de se peut construire à partir des éléments de Ω.
réaliser.
w∈ ℝ:
CHAPITRE N°1 : LES PROBABILITES
w = évènement élémentaire
Il faut toujours déterminer quelle va être
l’expérience. Ω = évènement certain : Ω ∈ a
Exemple : ø = évènement impossible. ø ∈ a
- Expérience : jeter un dé à 6 faces,

parfaitement équilibré. Déf : a est un ensemble d’évènement (sous-
ensemble de Ω) stable par intersection (finie
- Evènement : La face est paire : 3
ou infinie), par réunion (finie ou infinie), et
issues possibles élémentaires.
par complémentaire.
- Mesure : probabilité (évènement =
3 1
pair) = =
6 2
(Ω, a) Les éléments de a sont des sous-
L’ensemble de toutes les mesures possibles ensembles de Ω.
est l’univers « Ω ».
A ∈ a (A ⊂ Ω) B ∈ a, A∩B ∈ a
L’ensemble de tous les évènements possibles
A1 , A2,…, An,… ∈ a ⋂ 𝑖>1 𝐴 I ∈ a
est la tribu « a ».
AUB ∈ a A∪B ∈ a
I) Espace de probabilités :
(Ω, a, p) ⋃ 𝑖>1 𝐴 i ∈ a
L’espace (Ω, a, p) est la structure sur laquelle

on va faire des calculs de probabilité.
On a ̅
A =Ω\A ∈ a
A) L’univers : Ω Exemple : Le dé à 6 faces : (cas fini)
C’est l’ensemble de toutes les issues possibles - Ω = {1, 2, 3, 4, 5, 6} Card (Ω)=6

d’une expérience aléatoire : Card (Ω) ≥ 2 - A = P (Ω): L’ensemble de toutes
les sous-parties de Ω= 26.
o Expériences discrètes :
- Ω est fini = {w 1 , w2 ,… wn} A, B, A1, A2,…,An des évènements
- Ω est infini mais dénombrable : Ω
= {w1 , w2,… wn,…}
éléments de a sous-ensembles de Ω
o Expériences continues : (temps, poids)
- Ω = {w1, w2 ,… wn,…} A̅ se réalise A ne se réalise pas.
- Ω=ℝ
- Ω = (a,b) ⊂ ℝ A∪B = A+B =évènement A ou évènement B.
= [a,b]
1
©G. Malzac – Probabilité Elementaire, ©G. Malzac -- Probabilité Elementaire,
* A/∪ A2 … ∪ An = ∑𝑛𝑖=1 𝐴i se réalise au moins C) Probabilité :
un des Ai se réalise. Déf : On appelle P une loi de probabilité sur

(Ω, a) une application a → 𝑃(𝐴)
* A∩B = A.B = A et B se réalise A et B se
réalisent simultanément. ∀ 𝐴 ∈ 𝑎, 𝑎 → 𝑃(𝐴) P(Ω) = 1
* A1 ∩A2∩…∩An = A1 A2 … An se réalise tous Additivité :

+∞ +∞
les Ai se réalisent en même temps.
𝑃 (∑𝐴𝑖) = ∑ 𝑃(𝐴𝑖)
o Formules de Morgan : 𝑖=1 𝑖=1
Pour A1, A2 ,…,An disjoints.
∀ 𝑖 ≠ 𝑗, 𝐴𝑖 ∩ 𝐴𝑗 = 𝐴𝑖𝐴𝑗 = ø
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
A1 + A2 + ⋯ + An =𝐴1 ̅̅̅̅ ̅̅
𝐴2̅̅ … 𝐴𝑛
̅̅̅̅
̅̅̅̅̅̅̅̅
𝑛 𝑛 Prop de p : Soit (Ai) i>1 (évènement de a).
∑ 𝐴𝑖 = ∏𝐴𝑖 ̅̅̅
𝑖=1 𝑖=1 (1) Une partition de Ω= Σ Ai
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
A1 A2 … An = 𝐴1 ̅̅̅̅ + 𝐴2̅̅̅̅ + ⋯ + 𝐴𝑛
̅̅̅̅
̅̅̅̅̅̅̅̅
𝑛 𝑛 𝐴𝑖 ∩ 𝐴𝑗 = ∅
̅̅̅ Les Ai sont disjoints 2 à 2 {
∏ 𝐴𝑖 = ∑ 𝐴𝑖 ∀𝑖 ≠ 𝑗
𝑖=1 𝑖=1
+∞ +∞
Remarque : A et B disjoints A∩B= AB= ø
𝑃 (Ω) = 𝑃 (∑ 𝐴𝑖) = ∑ 𝑃 (𝐴𝑖) = 1
𝑖=1 𝑖=1
𝐴 ̅ = Ω\A
̅ ) = 1 - P(A)
(2) P(A
De manière générale, A,B (∈ a) P(A+A̅ ) = 1 = P(A) + P(A
̅)
P(ø) = 1 – P(Ω) = 0
̅
B\A = B \(A∩B) = B-(A∩B)=B∩ A (3) 𝐴 ⊂ B => P(B-A) = P(B) – P(A)
Exercice : Quelqu’un tire trois fois sur une P(A) ≤ P(B)
cible, et on note A i l’évènement « le tir a
échoué » Ainsi B = A + (B-A) => P(B) = P(A)+ P(B-A)
o B = « 0 succès » (4) A∩B =ø P(A+B) = P(A) + P(B)

A∩B ≠ ∅ P(A+B)= P(A) +P(B) – P(A∩B)
=> B = A1 A2A3 = A1 ∩A2∩A3
Déf: L’indépendance de deux évènements:
o C = « 1 succès et un seul » A⊥B P(AB) = P(A) P(B)
̅̅̅̅ 𝐴2 𝐴3+𝐴1 𝐴2
=> C =𝐴1 ̅̅̅̅ 𝐴3+ 𝐴1 𝐴2 𝐴3
̅̅̅̅
o ̅̅̅̅ ̅̅
D = = 𝐴1 ̅̅ 𝐴3 + 𝐴1
𝐴2 ̅̅̅̅ 𝐴2 ̅̅
̅̅ +
𝐴3 Exemple :
̅̅̅̅ ̅̅
𝐴1 𝐴2 ̅̅ + 𝐴1
𝐴3 ̅̅̅̅ 𝐴2
̅̅̅̅ ̅̅
𝐴3̅̅
- Tirage avec remise
o ̅ = “0 succès ou 1 succès et un seul” =
𝐷
- Actions menées par des individus différents
B+C
Ne pas confondre indépendance avec
Ω = { w1,, w2 , w3, w4, w5 , w6, w7 , w8 } disjonction
avec w1 = {0, 0, 0}, etc … A⊥B P(AB) = P(A) P(B)
Echec : 0 – Succès : 1 𝐶𝑎𝑟𝑑 (𝑎) = 28
2
Exercice: B) Les dénombrements de base :

A⊥B ̅ ⊥B
A ̅
A⊥ B ̅⊥B
A ̅
∀𝑛 ∈ ℕ* : n! = n(n-1)(n-2)…2x1 ; 0! = 1
̅ => P(A) = P(AB) + P(AB
A = A Ω = Ab+AB ̅)
1) Les arrangements :
̅ )= P(A)-P(AB) = P(A)-P(A)P(B)
P(AB
On appelle arrangement
= P(A) [1-P(B)] d’ordre k parmi n, le nombre
de façons de tirer k éléments
̅)
= P(A)P(B parmi n, sans remise et dans
l’ordre.
𝑛!
II) Dénombrements : (de base) 𝐴𝑘𝑛 = = 𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑘 + 1)
(𝑛 − 𝑘)!
A) Espaces de probabilités finis 2) Les permutations :

uniformes :
Déf :Pn est le nombre de façons d’ordonner
Ω = {w1, w2,… wn} a ∈P(Ω) les n éléments.
A ∈ a. P(A) ? Card (Ω)= n 𝑃𝑛 = 𝑛! = 𝐴𝑛𝑛 = 𝐴𝑛−1

𝑛
1
Uniforme : P({wi})= pour i= 1,…,n.
𝑛 3) Les combinaisons :
A={wi1, wi2,… wik} pour k= 1, 2, … n. Une combinaison d’ordre k
𝑘 𝑘 parmi n est le nombre de
𝐴 = ⋃{𝑊𝑖𝑗 } = ∑{𝑊𝑖𝑗 } façons de tirer k éléments
𝑗=1 𝑗=1
parmi n sans remise et sans
ordre.
Card (A)=k.
𝑛 𝐴𝑘𝑛 𝑛!
𝐶𝑛𝑘 =( )= =
P(A) = P( { w i 1, wi2,… wi k } ) =∑𝑘𝑗=1 𝑃 ({𝑊𝑖𝑗}) 𝑘 𝑘! 𝑘! (𝑛 − 𝑘) !
𝑘 C’est le nombre de sous-ensemble de k

= P({wi 1}) + P({wi2}) +…+ P({wik })=
𝑛 éléments parmi n.
𝐶𝑎𝑟𝑑 (𝐴) 𝑛
P(A)=
𝐶𝑎𝑟𝑑 (𝛺) ( )=1
𝑛
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒
𝑃=
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑡𝑜𝑡𝑎𝑙 𝑛 𝑛
( )=( );
𝑘 𝑛−𝑘
𝑛 𝑛 −1 𝑛−1
( )=( )+( )
𝑘 𝑘 𝑘−1
𝑛 𝑛
( )=1 ( )=𝑛
0 1
3
Exercice n°1: 𝑁
Card (Ω) = ( )
𝑛
n boules : k boules blanches
Nombre de façons de tirer en
n-k boules noires vrac n boules dont k sont
blanches
Combien d’alignements différents peut-on
(𝑀 )(𝑁−𝑀 )
faire ? 𝑃(𝑘 𝐵𝐵 𝑝𝑎𝑟𝑚𝑖 𝑛) = 𝑘 𝑛−𝑘
𝑁
(𝑚 )
(52) = (53) pour n = 5 et k = 2
-> max ( 0, n-N-M) ≤ k ≤ min (M, n) ; n-k<N-M
Cas général : n boules
Exercices :
K1 ---- bleues
K2 ---- vertes 1) Dans une urne, on tire 2 boules en
K3 ----rouges vrac. Proba de tirer au plus une BB ?
𝑛! (3BB, 5BB)
𝑘1 ! 𝑘 2! (𝑛 − 𝑘1 − 𝑘 2 )!
P(« Au + 1BB ») = P(« 0BB ») + P(« 1BB »)
Exercice n°2 :
(30)(62) (31)(51)
= +
(82) (82)
Ou : Au plus 1 BB au moins 2 BB :
(32)(50)
P (« 2BB ») =
(82)
Marche aléatoire, 1 – P(« 2BB ») = P(« au + 1BB »)

chemin monotone : bas droite
Solution : (32) 2) 32 cartes, 8 cartes en vrac :
(82)(82)(82)(82)
P(« 2 de chaque famille ») =
(32 )
C) Loi Hypergéométrique : 8
Dans une urne, avec N boules, il y a 2 8 boules, 3BB, 5BN -> Nb d’alignements
catégories : possibles
M boules blanches et N – M boules noires.
L’expérience consiste à trier en vrac ( sans 3) 12 personnes : 8F et 4H. On fait

remise et sans ordre) n boules. n ≤ N. groupe de 6 membres, combi ? (12
6
)
Quelle est la probabilité d’avoir k En tirant au hasard 6 membres parmi 12,

boules blnches parmi les n ? proba d’avoir exactement 4F et 2H ?
(42)(84)
=
(12
6
)
4
Les groupes ont un président et une III) Probabilités

secrétaire. Nb de possibilités de faire des gpes
conditionnelles :
de 6 membres avec un président et une
secretaire ? Déf : Soit B ∈ a [P(B)≠0]
On appelle probabilité conditionnelle de A
12 6 5 12 11 10
( )( )( ) = ( ) ( ) ( ) sachant B, (notée P(A/B)) :
6 1 1 1 1 4
𝑃(𝐴𝐵)
𝑃(𝐴/𝐵) =
𝑃(𝐵)
𝐴 26 𝐴 22
𝑃(𝐴Ω)
(72) ∗ 2! (12
2
) ∗ 2! A ∈ a, A ⊂ Ω, 𝑃 (𝐴 ) = = 𝑃(𝐴/Ω)
𝑃(Ω)
P(« président et secrétaire m̂ sexes ») On dira que B est favorable à A : P(A/B) > P(A)
(41)(31)(10
4
) (81)(71)(10
4
) défavorable à A : P(A/B) < P(A)
= +
(12
6
)∗6 ∗5 (12
6
)∗ 6∗5
Remarque : En général P(B/A) ≠ P(A/B)
(4 ∗ 3 + 8 ∗ 7)(104
)
=
6 ∗ 5 ∗ (12
6
)
Exercice :
Probabilité d’avoir 4F et 2H avec président et
secrétaire de m̂ sexe ? Jeu de 32 cartes : On en tir une, probabilité
d’obtenir un as sachant qu’on a tiré un pique ?
P = P(4F, 2H, secretaire et psdt femmes)
4 1 8 1
𝑃(1 as) = = ; 𝑃(1 pique) = =
+P(4F, 2H, secretaire et psdt hommes) 32 8 32 8
(84)(42)(41)(31) (84)(42)(21)(11)
= +
(12 )∗6∗ 5 (12 )∗6∗ 5
6 6 Remarque :
P(A/B) = P(A) A et B sont ⊥

P( AB)
= P(A)
P ( B)
P(AB) = P(A) P(B)
P(B/A) = P(B)
P(A/B) P(B) = P(B/A) P(A) = P(AB)
5
Théorême des probas totales : Probabilité qu’elle vienne de l’urne 1 ?

Soit (Ai ) i>1 une partition de Ω (système
( = P(u1/BB) )
complet d’évènement).
Ω = ∑ 𝐴 𝑖 (𝐴𝑖𝐴𝑗 ≠ 0, 𝑖 ≠ 𝑗)
𝑖>1 U3
Et soit B un évènement quelconque :
U1
𝑃(𝐵) = ∑ 𝑃(𝐵𝐴 𝑖 ) = ∑ 𝑃(𝐵/𝐴 𝑖 )𝑃(𝐴𝑗 )
U2
𝑖>1 𝑖>1
𝐵 = 𝐵Ω = ∑ 𝐵𝐴 𝑖 => 𝑃 (𝐵) = ∑ 𝑃(𝐵𝐴 𝑖 )

𝑖>1 𝑖>1 P(BB/U1)= 2/3 ;P(BB/U2) = 1/3; P(BB/U3)=1/2
𝐵 ∩ (𝐴 ∪ 𝐶 ) = 𝐵𝐴 ∪ 𝐵𝐶 P(BB) = P(BB/U1)* 1/3 +
P(BB/U2)*1/3+P(BB/U3)* 1/3 = 1/2
2 1
Théorême de Bayes : 𝑃 (𝐵𝐵\𝑈1)(𝑃(𝑈1) 3 ∗ 3 4
(𝐴 𝑖 ) partition de Ω 𝑃(𝑈1\𝐵𝐵) = = 1 =
𝑃 (𝐵𝐵) 9
B ∈ a. 2
On connaîtt les probas des termes de la
partition 𝐴 𝑖 et de B/𝐴 𝑖 Exercice :
𝑃(𝐵\𝐴 𝑖 )𝑃(𝐴 𝑖) P(I)= 1/1000 (I = Incendie)

𝑃(𝐴 𝑖 /𝐵)𝑖>1 =
∑𝑖>1 𝑃 (𝐵\𝐴 𝑖 )𝑃(𝐴𝑖)
P(A\I) = 999/1000 (A= L’a l arme se déclenche)
P(A\I̅)= 9/1000
Probabilité d’une fausse alerte ?

Exercice :
P(« fausse alerte ») = P(I̅ \A)
3 urnes :
P(A\I̅) P(I̅)
=
u1, u2, u3 P A\I P(I̅)+P(A\I)P(I)
( ̅ )
9 999
∗
1000 1000
= 9 999 999 1
∗ + ∗
1000 1000 1000 100
= 90%
Un joueur choisit au hasatd une urne,

probabilité = 1/3
Il tire une boule dans cette urne, elle est

blanche.
6
IV) Rappels d’analyse : B) Une limite :

A) 2 types de séries : 𝑥 𝑛
∀ 𝑥 ∈ ℝ, lim (1 + ) = exp(𝑥)
Une série est une somme infinie de termes. 𝑛→∞ 𝑛
1) Série géométrique : Indications pour la démo :
+∞ 𝑥 𝑛 𝑥 𝑛 𝑥 𝑛
(1 + ) = exp [𝑙𝑛(1 + ) ] = exp [𝑛 ln (1 + ) ]
𝑛 𝑛 𝑛
𝑠(𝑥) = 1 + 𝑥 + 𝑥² + ⋯ + 𝑥 𝑛 = ∑ 𝑥 𝑖
𝑖=0 ln(1 + 𝑥) ∼ 𝑥
Avec −1 < 𝑥 < 1 ⟺ |𝑥| < 1 Application pratique :
+∞
𝑥 𝑛
𝑠: 𝑥 → ∑ 𝑥 𝑖 est dérivable à n’importe quel ordre (1 + ) # exp (𝑥)
𝑛
𝑖=0
𝑥 𝑥 1
1 ≪1⟺ ≤
1 + 2𝑥 + 3𝑥² + ⋯ + 𝑛𝑥 𝑛−1 + ⋯ = 𝑛 𝑛 100
(1 − 𝑥) 2
1 200
Rappel : Suite géométrique : Approximation de : (1 − ) ≃ exp(−1)
200
U0 ; un= x nu0 1 200

(1 + ) ≃ exp (2)
200
+∞
1 − 𝑥 𝑛+1
∑ 𝑥𝑖 = 𝑢 0 ∗ C) Méthode d’intégration :
1 −𝑥
𝑖=0
1) IPP :
+∞
𝑛→+∞
{𝑥
𝑛+1 → 0 d’où ∑ 𝑥 = 1 Déf :
𝑖
| 𝑥| < 1 𝑥 Fonction gamma :
𝑖=0 +∞
∝> 0, ∝→ Γ(∝ ) = ∫ 𝑥 ∝−1𝑒 −𝑥 𝑑𝑥
0
Développable en série entière. Propriétés :

1 ′ 1
1 + 2𝑥 + 3𝑥 2 + 4𝑥 3 + ⋯ = ( ) =
{ 1−𝑥 (1−𝑥)² o Γ(∝ +1) = ∝ Γ(∝ )
| 𝑥| < 1
+∞ ∝ −𝑥
Γ(∝ +1) = ∫0 𝑥 𝑒 𝑑𝑥
+∞
= [ −𝑥 ∝𝑒 −𝑥 ] + ∫0 ∝ 𝑥 ∝−1 𝑒 −𝑥 𝑑𝑥
2) Série exponentielle :
+∞ =∝ Γ(∝ )
𝑥 𝑥2 𝑥𝑛 𝑥𝑖
Exp(x) = 1 + + + ⋯ + + ⋯ = ∑ o Γ(1) = 1
1 2 𝑛! 𝑖!
𝑖=0
o ∀ ∝∈ ℕ, Γ(𝑛 + 1)
Pour x ∈ ℝ = 𝑛Γ(𝑛) = 𝑛Γ(𝑛 − 1 + 1) …
Γ(𝑛 + 1) = 𝑛!
𝑥 → exp(𝑥) dériv à n’importe quelle ordre
𝑥2
avec 𝑒𝑥𝑝 ′ (𝑥) = exp (𝑥) = 1 + 𝑥 + +…
2!
7
2) Intégration par changement de Correction complète TD n°1 :
variable bijectif : Exercice n°1 :
𝑏 𝑢(𝑏)
8 en vrac parmi 32
𝐼 = ∫ 𝑓(𝑥) = ∫ 𝑓 (𝑥(𝑤))𝑥 ′ (𝑤) 𝑑𝑢 32! 4∗9∗13
𝑎 𝑢(𝑎) (32
8
) =Nombre de façons= =
24!8! 8
1) u= u(x) bijectif a) 8 Piques 8 trèfles 8 carreaux 8 cœurs

2) x = x(u)
𝑑𝑥 (83) (82) (80) (83)
3) = x’(u)
𝑑𝑢
= (83)²(82)
Exercice n°2 du TD n°3 : (83)²(82)
P(3Piques, 2 trefles, 3 cœurs) =
+∞ (32
8
)
𝐼𝑎 = ∫ 2𝑥 3 𝑒 −𝑥2 𝑑𝑥
0 b) A= «Au moins un as »
+∞ 3 1 1 𝑃 (𝐴 ) = 1 − 𝑃 (𝐴 ̅) = 1 − 𝑃(aucun as)
=∫ 2𝑢2 𝑒 −𝑢 ∗ ∗ 𝑢−2 𝑑𝑢 4 as pour 28 cartes : (40)(28 )
0 2 8
c) V= «Au moins un valet »
+∞
=∫ 𝑢 exp( −𝑢) 𝑑𝑢 (N as et Ni valets)
0
𝑃 (𝐴 + 𝑉) = 1 − 𝑃 (̅̅̅̅̅̅̅̅ ̅̅̅̅̅
𝐴 + 𝑉) = 1 − 𝑃(𝐴𝑉)
= Γ(2) = 1! = 1 = 1 − 𝑃(𝑁)
1) u = x² (24
8
)
1 =1−
2) x = √𝑢= 𝑢2 (32
8
)
𝑑𝑥 1
3) =
𝑑𝑢 2√𝑢 d) A= « Au moins 1as »
𝑃(𝐴 𝑒𝑡 𝑉) = 𝑃 (𝐴 ) + 𝑃(𝑉) − 𝑃(𝐴 + 𝑉)

+∞ = 2𝑃 (𝐴 ) − 𝑃(𝐴 + 𝑉)
𝐼𝑏 = ∫ 𝑥 2 𝑒 −2𝑥 𝑑𝑥 → 𝑃 (𝑉) = 𝑃 (𝐴 )
0
𝑃(𝐴 + 𝐵) = 𝑃 (𝐴 ) + 𝑃(𝐵) − 𝑃 (𝐴𝐵)
+∞
1 2 −𝑢 1
=∫ 𝑢 𝑒 ∗ 𝑑𝑢 Exercice n°2 :
0 4 2
a)
1 +∞
= ∫ 𝑢2 𝑒 −𝑢 𝑑𝑢 𝐴 = a touché la cible 𝑃 (𝐴 ) = 0,8
8 0
⊥𝐵 = B touche la cible 𝑃 (𝐵) = 0,6
1 2! 1 𝑇 = cible touchée
= Γ(3) = = 𝑃 (𝑇) = 𝑃(𝐴 + 𝐵)
8 8 4
= 𝑃(𝐴 ) + 𝑃 (𝐵) − 𝑃 (𝐴𝐵)
1) u=2x = 0,8 + 0,6 − 0,9 ∗ 0,6 = 0,9
2) x=1/2 u b)
𝑑𝑥 1
3) =
𝑑𝑢 2 𝐴 ⊥ 𝐵 ⟺ 𝐴 ⊥ 𝐵̅ ⟺ 𝐴 ̅ ⊥ 𝐵 ⟺ 𝐴 ̅ ⊥ 𝐵̅
𝐴𝐵̅ = 𝐴\𝐵 = 𝐴 − 𝐴𝐵
8
̅ ) = 𝑃 (𝐴 − 𝐴𝐵) = 𝑃 (𝐴 ) − 𝑃(𝐴𝐵)
𝑃 (𝐴𝐵 CHAPITRE N°2 : Variables aléatoires .
= 𝑃 (𝐴 ) − 𝑃(𝐴 )𝑃(𝐵) réelles (V.A.R)
= 𝑃 (𝐴 )[1 − 𝑃(𝐵)]
𝐴 ⊥ 𝐵̅ ⟺ 𝑃(𝐴𝐵̅) = 𝑃(𝐴 )𝑃 (𝐵̅) I) Généralités :
c) On a une expérience définie, (Ω, a, p) définie.
𝑃 (𝐴𝐵̅𝑇) On appelle V.A.R définie sur Ω une application
𝑃(𝐴𝐵̅\𝑇) =
𝑃 (𝑇) qu’on notera X de Ω dans ℝ.
𝑃( 𝐴) 𝑃( 𝐵)
𝐴𝐵̅ ⊂ 𝐴 ⊂ 𝑇 = 𝐴 + 𝐵 = = 0,35 𝑋
( ) 𝑃 𝑇 Ω→ ℝ
𝑤 → 𝑋(𝑤) = 𝑥 ∈ ℝ
Une V.A généralise la notion d’événement. Les

valeurs réelles prises telles que X
correspondent à la réalisation d’évènements
dans a.
Si X(Ω) fini ou infini dénombrable : X V.A di s crète
Si X(Ω)= ℝ ou (a ; b)⊂ ℝ, X est continue.
Exemple A : On jette 2 fois une pièce.
Ω= { (P,P), (F,F), (P,F), (F,P) }
w1 w2 w3 w4
1
𝑃( 𝑤𝑖 ) = 𝑎 = 𝑃(Ω) = 24 = 16
4
Nombre de « pile » au cours des deux lancers :
X=0, 1, 2
𝑋
Ω→ℝ
𝑤 → 𝑋(𝑤) = 𝑥
0 𝑠𝑖 𝑤 = 𝑤2
= {1𝑠𝑖 𝑤 = 𝑤3 𝑜𝑢 𝑤 = 𝑤4 ⟺ 𝑤 ∈ {𝑤3 , 𝑤4 }
2 𝑠𝑖 𝑤 = 𝑤1
1
𝑃(𝑥 = 0) = 𝑃 ({𝑤2 } ) =
4
1
𝑃(𝑥 = 1) = 𝑃 ( {𝑤3 ,𝑤4 }) =
2
1
𝑃(𝑥 = 2) = 𝑃 ( {𝑤1 } ) =
4
9
Exemple B :
Jet d’un dé à 6 faces :
Ω = { (1,2,3,4,5,6}) 𝑎 = 26
A = « PAIR » = {2, 4, 6]
𝐴=̅ « IMPAIR »= {1, 3, 5}
𝑋
Ω→ ℝ
1 𝑠𝑖 𝑃𝐴𝐼𝑅
𝑤 → 𝑋(𝑤) = {
0 𝑠𝑖 𝐼𝑀𝑃𝐴𝐼𝑅 𝐹 (𝑥0 ) = 𝑃 (𝑥 ≤ 𝑥 0 )
P(X=0) = ½ P(X=1)= ½ = 𝑃(𝑥 < 𝑥 0) + 𝑃(𝑥 = 𝑥 0)
A) Fonction de répartition : B) V.A.R discrètes :
La loi d’une V.A X est complétement Sa loi est caractèrisée par le tableau de
caractérisée par sa fonction de répartition : distribution :
𝐹𝑥 (𝑥) = 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) 𝑥 𝑥 0 𝑥1 𝑥 2 𝑥3 … 𝑥𝑛

= 𝑃({𝑤 ∈ Ω: X(w) ≤ x}) 𝑃(𝑋 = 𝑥) 𝑃0 𝑃1 𝑃2 𝑃3 … 𝑃𝑛
∀𝑥 ∈ ℝ = 𝑃𝑋 (] − ∞; 𝑥] ) 𝑃(𝑋 = 𝑥 𝑛 ) = 𝑃𝑛 : 𝑛 = 0, 1, 2, 3 …
+∞
Reprenons l’exemple B : 0 ≤ 𝑃𝑛 ≤ 1 𝑒𝑡 ∑ 𝑃𝑛 = 1
𝑛=0
Applications : X discrète
0 1 2 3
0.2 0.3 … …
𝑃(𝐴𝐵)
𝑃(𝑥 ≥ 2 \ 𝑥 ≥ 1) ? (=)
Propriétés de la F.R : F: 𝑥 → 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) 𝑃 (𝐵)
= 𝑃( {𝑤 ∈ 𝛺; 𝑋(𝑤) ≥ 2} {𝑤 ∈ 𝛺; 𝑋(𝑤) ≥ 1}
→ 𝐹 𝑒𝑠𝑡 𝑑é𝑓𝑖𝑛𝑖𝑒 𝑠𝑢𝑟 ℝ
𝑃(𝑋 ≥ 2 𝑒𝑡 𝑋 ≥ 1) 𝑃(𝑋 ≥ 2)
→ 𝐹 𝑒𝑠𝑡 𝑐𝑟𝑜𝑖𝑠𝑠𝑎𝑛𝑡𝑒 = =
𝑃 (𝑋 ≥ 1) 𝑃(𝑋 ≥ 1)
→ lim 𝐹 (𝑥) = 𝐹 (+∞) = 1
𝑥→∞
→ lim 𝐹 (𝑥) = 𝐹 (−∞) = 0 1 − 𝑃(𝑥 < 2) 0,5 5
𝑥→∞ = = =
1 − 𝑃(𝑥 < 1) 0,8 8
10
C) V.A continues : En pratique, une densité de probabilité va

caractériser la loi du la variable X.
Une variable aléatoire X est continues si sa
fonction de répartition s’écrit : 0 𝑠𝑖 𝑥 < −2
𝑆(𝑥) = {𝑐(1 + 𝑒 −𝑥 )𝑠𝑖 𝑥 ∈ (−2; 4)
0𝑠𝑖 𝑥 > 4
+∞
∀ 𝑥 ∈ ℝ, 𝑓(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓 (𝑡)𝑑𝑡 𝑥 ∈ (−2; 4) 𝑐(1 + 𝑒 −𝑥 )
−∞
« f » s’appelle la densité de probabilité Support de x| Partie foncti°lle de la densité

f(x)=F’(x).
Déf : Fonction indicatrice :
Remarque : densité : qté de probabilité par
1 𝑠𝑖 𝑥 ∈ (𝑎; 𝑏)
unité de x. Ce n’est pas une proba! 1( 𝑎;𝑏)(𝑥) = {
0 𝑠𝑖𝑛𝑜𝑛
(a ; b)⊂ ℝ
Rappel : Cas discret
→ 𝑓(𝑥) = 𝑐(1 + 𝑐 −𝑥 )1(−2;4)(𝑥)
𝑃(𝑋 ≤ 𝑥) = ∑ 𝑃(𝑋 = 𝑦)
𝑦≤𝑥 Exercice :
Propriétés de f : densité 𝑓(𝑥) = 𝐶𝑥 7 1(0;1) (𝑥)
→ 𝐷é𝑓𝑖𝑛𝑖𝑒 𝑠𝑢𝑟 ℝ 1) Calcul de C ?

→ ∀𝑥 ∈ ℝ, 𝑓 (𝑥) ≥ 0 Dans le cas continu, +∞ 1
∀𝑥 ∈ ℝ 𝑃(𝑋 = 𝑥) = 0 ∫ 𝑓(𝑡) 𝑑𝑡 = 1 ⟺ ∫ 𝐶𝑡 7 𝑑𝑡 = 1
𝑓 (𝑥) = 𝐹 ′ (𝑥) ≥ 0 −∞ 0
+∞ 1
→ ∫ 𝑓 (𝑡)𝑑𝑡 = 1 = 𝑃(𝛺) ⟺ 𝐶 ∫ 𝑡 7 𝑑𝑡 = 1
−∞ 0
𝑥 𝑡8
→ 𝑃 (𝑋 ≤ 𝑥) = ∫ 𝑓 (𝑡)𝑑𝑡 ⟺ 𝐶[ ] = 1
−∞
8
→ 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑋 ≤ 𝑏) − 𝑃 (𝑋 ≤ 𝑎) ⟺ 𝐶=8
2) Fonction de répartition :
0 𝑠𝑖 𝑥 ≤ 0
Cas continu : +∞ 𝑥
𝑥
𝐹 (𝑥) = ∫ 𝑓(𝑡) 𝑑𝑡 = {∫ 8𝑡 7 𝑠𝑖 𝑥 ∈ (0,1)
→ 𝐹 ′ (𝑥) = ∫ 𝑓 (𝑡)𝑑𝑡 −∞ 0
−∞ 1 𝑠𝑖 𝑥 ≥ 1
→ 𝐹 𝑒𝑡 𝑓 𝑑é𝑓𝑖𝑛𝑖𝑒𝑠 𝑠𝑢𝑟 ℝ
1 1
→ 𝐹 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒 𝑃 (𝑋 = 𝑥) = 0 3) 𝑃 ( < 𝑋 < 3) = 𝐹(3) − 𝐹 ( )
2 2
+∞ 1 8
= 1 −( ) = ⋯
→ 𝑓 (𝑥) ≥ 0 𝑒𝑡 ∫ 𝑓 (𝑡)𝑑𝑡 = 1 2
−∞
Rappel du cas discret :
𝑃(𝑋 = 𝑥) ≥ 0 𝑒𝑡 ∑ 𝑃 (𝑋 = 𝑥) = 1
11
II) V.A fondamentales C) Loi binomiale :

discrètes : Def : Loi Binomiale
A) Epreuve et V.A de
Bernouilli : On répéte n fois (𝑛 ≥ 1) la même épreuve de
Bernouilli (p= p(succès)) de façon ⊥.
Déf : Loi de Bernouilli X=Var, compte le nb de succès au cours des
(Ω, a, p) ; A ∈ a, (A⊂Ω) expériences.
A se réalise, succès, P(A)=p
A réalise pas, échec, 𝑃 (𝐴 ̅) = (1 − 𝑝) = 𝑞 𝑋 ∼ 𝐵(𝑛, 𝑝)
V.A de Bernouilli : X
Remarque : Bernouilli 𝑋 ∼ 𝐵(1, 𝑝)
1 𝑠𝑖 𝑤 ∈ a
𝑋 = 1𝐴 |𝑋(𝑤) = { |
0 𝑠𝑖𝑛𝑜𝑛 0 1 2 I n
𝛺→ℝ 𝑛 𝑖 𝑛−𝑖
𝑃(𝑋 = 𝑖)𝑖 =0,1,2,…,𝑛 = ( ) 𝑝 𝑞
𝑤∈ 𝐴→𝑋=1 𝑖
𝑤 ∈ 𝐴̅ → 𝑋 = 0
0 …. 1 Exemple :
q … p On tire sur la cible=> Probabilité toucher =

1
5
𝑋 ∼ 𝐵(𝑛, 𝑝)
1
n tirs. X la VA et X=nb tirs réussis ~ 𝐵(𝑛; )
5
B) Epreuve et V.A
𝑛 = 5, 𝑃 (𝑎𝑢 𝑚𝑜𝑖𝑛𝑠 1 𝑠𝑢𝑐𝑐è𝑠)?
géométrique : = 𝑃(𝑋 ≥ 1)
= 1 − 𝑃(𝑋 = 0)
On répète indépendament la même épreuve
= 1 − 𝑞5
de Bernouilli de paramètre p jusqu’à
4 5
l’obtention du premier succès. = 1− ) (
5
2
Soit X = V.P représente le n° de la tentative ou =
3
a lieu le 1er succès : 𝑋 ∼ 𝑔(𝑝)
Cb de tirs n permet-il ?
proba d’un succès 𝑃(𝑋 ≥ 1) ≥ 0,99
1
𝑋~𝐵 (𝑛; )
∀ 𝑛 ∈ ℕ, 𝑃(𝑋 = 𝑖) = 𝑝𝑞 𝑖−1 5
𝐴𝑣𝑒𝑐 𝑃(𝑋 ≥ 1) = 0,99
𝑝+𝑞 = 1 ⟺ 1 − 𝑃(𝑋 = 0) = 0,99
𝑃(𝑋 ≤ 𝑗) = 𝐹 (𝑗) = 𝑝 + 𝑝𝑞 + ⋯ + 𝑝𝑞 𝑗−1 4 𝑛
𝑛 ⟺ 1 − ( ) ≥ 0,99
5
= ∑ 𝑃(𝑋 = 𝑖) = 𝑝[1 + 𝑞 + ⋯ + 𝑞 𝑗−1 ] 4 𝑛
𝑖=1 ⟺ ( ) ≤ 0,01
5
= 1 − 𝑞𝑗 4
⟺ 𝑛 ln ( ) ≤ ln(0,01)
5
ln(0,01)
⟺𝑛 ≥ 4 ≅ 20 𝑠𝑜𝑖𝑡 𝑛 = 21
ln ( )
5
12
1) 𝑿 ~𝑩(𝒏,𝒑) 2
= 1 − exp(−1) =
3
𝑛
∀𝑖 = 0,1, … , 𝑛, 𝑃 (𝑋 = 𝑖) = ( ) 𝑝 𝑖 (1 − 𝑝) 𝑛−𝑖
𝑝 n ? Pour 𝑃(𝑋 ≥ 1) ≥ 0,99
⟺ 1 − 𝑃(𝑋 = 0) ≥ 0,99
2) Approximation de la loi 99 𝑛
hypergéométrique par une loi ⟺1− ( ) ≥ 0,99
100
binomiale : 99 𝑛
⟺ ( ) ≤ 0,01
100
Rappel : M BB et N-M BN 99
⟺ 𝑛 ln ( ) ≤ ln(0,01)
On compte le nombre de BB parmi les N : 100
ln(0,01)
⟺𝑛 ≥ 99 = 458,19; 𝑛 = 459
𝑀 ln ( )
𝑋~𝐻 → (𝑁, 𝑛, ) 100
𝑁
3) Modèle du cake aux raisins :
Tirer sans remise :
(𝑛𝑖)(𝑁−𝑀 ) N raisins, m parts.

𝑛−𝑖
𝑃(𝑋 = 𝑖) =
(𝑁
𝑛
)
max(0, 𝑛 − (𝑁 − 𝑀)) ≤ 𝑖 ≤ min (𝑛, 𝑀) Pour un grain,

probabilité de tomber
Si n << N : Situtation de sondage dans une part de gateau
𝑁 𝑀 (fixée) ?
𝑆𝑖 𝑛 ≤ BB : succès P(BB)= = 𝑝. 1 𝑚−1
100 𝑁 (𝑒𝑡 𝑑𝑒 𝑝𝑎𝑠 𝑦 𝑡𝑜𝑢𝑐ℎ𝑒𝑟)
𝑛 𝑚
Avec remise :
1
La loi un grain est : 𝐵 (1; ).
𝑛
𝑝 𝑀
( ) 𝑝 𝑖 (1 − 𝑝) 𝑛−𝑖 𝑎𝑣𝑒𝑐 𝑛 ≪ 𝑁 𝑒𝑡 𝑝 =
𝑖 𝑁 Tous les grains ont la meme loi et sont ⊥.
Situation de sondage : 1
Nombre de grains/part : ~ 𝐵(𝑛; )
𝑚
𝑀 𝑀
𝐻 (𝑁, 𝑛, ) #𝐵(𝑛, 𝑝)𝑎𝑣𝑒𝑐 𝑝 = 𝑒𝑡 𝑛 ≪ 𝑁 Conclusion : Nb objets par cases :
𝑁 𝑁
0 𝑜𝑏𝑗𝑒𝑡𝑠,
Sous l’hypo d’⊥ et de loi identique {
0 𝑐𝑎𝑠𝑒𝑠
Exercice : 1
Loi nb objets par case : ~𝐵(0; )
𝐶
Pays N, 1% de la pop touchée par maladie.
Sous pop : n=100 et X = V.A : le nb de malades Exercice n°1:
parmi les 100 approximation 100 << N
A un péage autoroutier, 180 voitures en 1h.
1 1
𝑋~𝐻 (𝑁; 100; ) #𝐵(100; ) X la V.A qui observe le nb de voitures/minutes
100 100
1
𝑃(𝑋 ≥ 1) = 1 − 𝑃 (𝑋 = 0) 𝑋~𝐵(180; )
60
1 100
= 1 − (1 − )
100
13
D) Loi de Poisson : Exercice n°2 :
𝑋~𝑃(λ), λ > 0 1
𝑋~𝐵 (100; ) #𝑃(1)
100
Si sa distribution s’écrit :
𝑃(𝑋 ≥ 1) = 1 − 𝑃 (𝑋 = 0)
𝜆𝑖 1 100
∀𝑖 ∈ ℕ, 𝑃(𝑋 = 𝑖) = 𝑒 −λ ∗ = 1 − (1 − ) = 1 − 𝑒 −1
𝑖! 100
Remarque : utile nb de pannes/accidents

Exercice n°3 :
X
0 1 ….. i ………
λi
1
𝑃𝑖 = 𝑃 (𝑋 = 𝑖) = 𝑒 −λ ∗ 𝑋~𝐵 (180; ) #𝑃(3)
i! 60
Série exp 𝑛 = 180 ≅ 2100
+∞ +∞ 1
𝜆𝑖 𝜆𝑖 𝑝= = 2001
∑ 𝑒 −𝜆 ∗ = 𝑒 −𝜆 ∗ ∑ = 𝑒 −𝜆 ∗ 𝑒 𝜆 = 1 60
𝑖! 𝑖!
𝑖=0 𝑖=0 0,017
𝑃 (𝑋 ≥ 2 𝑒𝑡 𝑋 ≥ 1)
𝑃(𝑋 ≥ 2/𝑋 ≥ 1) =
𝑃 (𝑋 ≥ 1)
Approximation d’une binomiale par une
𝑃(𝑋 ≥ 2) 1 − 𝑃(𝑋 ≤ 1)
poisson : = =
𝑃(𝑋 ≥ 1) 1 − 𝑃(𝑋 = 0)
λ = 0,842
𝑋𝑛 ~𝐵 (𝑛; ) 𝑛 ∈ ℕ
n
𝑛 𝜆 𝑖 𝜆 𝑛−𝑖
lim 𝑃 (𝑋 = 𝑖) = 𝑙𝑖𝑚 ( ) ( ) (1 − )
𝑛→∞ 𝑛→∞ 𝑖 𝑛 𝑛
−𝜆
𝑒 ∗𝜆 𝑖
=
𝑖!
Traduction pratique :
𝜆
Or n grand , 𝐵 (𝑛 ; ) #𝑃(𝜆)
𝑛
𝐵(𝑛; 𝑝) #𝑃(𝑛𝑝)
𝑛 𝑔𝑟𝑎𝑛𝑑 ≥ 100 𝑒𝑡 𝑝 𝑝𝑒𝑡𝑖𝑡 ≤ 0,01
𝑋~𝑃(λ);
𝑘
𝐹λ (𝑘) = 𝑃λ (𝑋 ≤ 𝑘) = ∑ 𝑃λ (𝑋 = 𝑖)
𝑖=0
λ = 3,5 et 𝑃𝑘 (𝑋 = 2) = 0,185
𝐷𝑜𝑛𝑐 𝑃(2 ≤ 𝑋 ≤ 5) = 𝐹λ (5) − 𝑃(𝑋 ≤ 2)
14
III) V.A continues C) Loi Gamma :

fondamentales : Déf : Loi 𝛾
A) Loi uniforme : 𝑋~𝛾𝛼 𝑎𝑣𝑒𝑐 𝛼 > 0 si sa fonction de densité s’écrit :
1
Déf : Loi uniforme 𝑓 (𝑥) = 𝑥 𝛼−1 exp(−𝑥)𝟏ℝ+ (𝑥)
𝛤 (𝛼)
𝑋~𝜗(𝑎,𝑏)
+∞
1
Densité, 𝑓 (𝑥) = 𝑐 𝟏(𝑎,𝑏) (𝑥) 𝑒𝑡 𝑐 = 𝑅𝑎𝑝𝑝𝑒𝑙: 𝛤 (𝛼) = ∫ 𝑥 𝛼−1 exp(−𝑥) 𝑑𝑥
𝑏−𝑎 0
1
𝑃(𝑋 ≤ 𝑥) = 𝑃(𝐴𝑟𝑟𝑖𝑣é𝑒 ∈ (4, 𝑥, 4)) 𝑒𝑡 𝑐 =
𝛤(𝛼)
𝑓 𝑥 = 𝑐 𝑥 𝛼−1 exp (−𝑥) 𝟏ℝ+ (𝑥)
( )
4 − (4 − 𝑥) 𝑥 +∞ +∞
= = = 𝐹𝑋 (𝑥)
4 4 ∫ 𝑓(𝑥) 𝑑𝑥 = 1 = 𝑐 ∫ 𝑥 𝛼 exp(−𝑥) 𝑑𝑥
−∞ 0
𝑋~𝜗(2,4)
Propriétés de Γ :
1
𝑃(2 ≤ 𝑥 ≤ 3) = 𝑃 (𝑎𝑟𝑟𝑖𝑣é𝑒 ∈ (1,2)) = 𝑐 = 𝛤(1) = 1
4
B) Loi exponentielle : ∀𝛼 > 0, 𝛤 (𝛼 + 1) = 𝛼𝛤(𝛼)

𝑛 = 𝛼 ∈ ℕ∗ , 𝛤(𝑛 + 1) = 𝑛!
Def : Loi expo
Une VA X suit une loi expo telle que 1
𝑛 = 0 𝛤(1) = 1 𝑒𝑡 𝛤 ( ) = √𝜋
𝑋~exp (𝜆) , 𝜆 > 0 2
Si sa densité s’écrit :
𝑓 (𝑥) = 𝜆 exp(−𝜆𝑥) 𝟏ℝ+ (𝑥) D) Loi normale :
Def : Loi normale

0 𝑠𝑖 𝑥 < 0
𝑥 𝑋~𝑁(𝜇, 𝛤 )
𝐹𝑅: 𝑓 (𝑥) = {∫ 𝜆 exp (−𝜆𝑥) 𝑑𝑡 𝑠𝑖 𝑥 ≥ 0
0
𝜇 = 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 𝑑𝑒 𝑋 (= 𝐸(𝑋)
0 𝑠𝑖 𝑥 < 0
𝐹 (𝑥) = {[
1 − exp (−𝜆𝑥)] 𝑥 ≥ 0 𝛤 = é𝑐𝑎𝑟𝑡 𝑡𝑦𝑝𝑒 𝑑𝑒 𝑋(= √𝑉(𝑋)
= 1 − exp( −𝜆𝑥) 𝟏ℝ+ (𝑥) (la moyenne)

L’éspérance de X « c’ »est une grandeur
autour de laquelle vont graviter les
variables X
c’ = valeur centrale=> Var de
position
L’écart type= Var de dispersion

Mesure comment les var X se
distribuent autour de la moyenne
15
Loi normale standard :

𝜇=0
𝑌~𝑁(0,1) {
𝛤=1
1 𝑦2
𝜑(𝑦) = exp (− ) (𝑝𝑎𝑖𝑟𝑒)
√2𝜋 2
𝑆𝑎 𝐹𝑅𝑠𝑒 𝑛𝑜𝑡𝑒:
𝑦
1 𝑡2
( )
Φ 𝑦 = ∫ exp (− ) 𝑑𝑡
−∞ √2𝜋 2
Lien entre le fct de répartition quelconque et

la fct de répartition normale ?
Une VA suit une loi normale si sa densité Lien entre 𝑁 (𝜇, 𝜎) 𝑒𝑡 𝑁 (0,1):
s’écrit : Règle 3𝜎
𝛼
1 1 (𝑡 − 𝜇)²
1 1 (𝑥 − 𝜇) 2 𝐹 (𝑥) = ∫ exp ( ∗ )𝑑𝑡
𝑓(𝑥) = exp(− ∗ ) −∞ √2𝜋𝛤 2 𝛤2
√2𝜋𝛤 2 𝛤2
𝑡 −𝜇
Ici la courbe est symétrique par rapport à l’axe 1 𝑐ℎ𝑚𝑡 𝑣𝑎𝑟: 𝑢 = ⟺ 2 t ′ = 𝛤𝑢 + 𝜇
𝜎
𝑑𝑡
𝑥=𝜇. => 3 =𝛤
𝑑𝑢
𝑥−𝜇
C’ = 1 courbe en cloche. 𝜎 1 𝑡2
4 𝐹 (𝑥) = ∫ exp(− )𝑑𝑡
−∞ √2𝜋 2
La règle des 3 𝛤 :
𝑥−𝜇
𝜇+3𝛤 = Φ( ) 𝑌~𝑁(0; 1)
𝛤
∫ 𝑓(𝑥) 𝑑𝑥 = 1
𝜇−3𝛤 𝑥 −𝜇 𝑥 −𝜇
𝐹 (𝑋 ≤ 𝑥) = Φ ( ) = 𝑃 (𝑦 ≤ )
𝛤 𝛤
Ainsi d’après la règle des 3 𝛤=> 99% des 𝑋−𝜇 𝑥 −𝜇
𝐹 (𝑥) = 𝑃 (𝑋 ≤ 𝑥) = 𝑃 ( ≤ )
valeurs sont concentrées autour de la 𝛤 𝛤
moyenne.
𝑋− 𝜇 𝑥 −𝜇 𝑥−𝜇
= 𝑃( ≤ ) = Φ( )
Le FR de la loi normale s’écrit : <= { 𝛤 𝛤 𝛤
𝑥 −𝜇
= 𝑃 (𝑦 ≤ ) 𝑜𝑢 𝑌~𝑁(0; 1)
∀𝑥 ∈ ℝ, 𝛤
𝑥
1 1 (𝑡 − 𝜇) 2
𝐹 (𝑥) = ∫ exp(− ∗ ) 𝑑𝑡
−∞ √2𝜋𝛤 2 𝛤2 → 𝐶𝑜𝑛𝑐𝑙𝑢𝑠𝑖𝑜𝑛: 𝑋~𝑁(𝜇; √ )𝑒𝑡 𝑌~𝑁(0; 1)
𝑥−𝜇
𝑃(𝑋 ≤ 𝑥) = Φ ( ) = 𝐹 (𝑥)
𝛤
𝑋−𝜇
⟺𝑌=
𝛤
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹(𝑏) − 𝐹 (𝑎)

𝑏 −𝜇 𝑎 −𝜇
= Φ( ) −Φ( )
𝛤 𝛤
𝑂ù 𝐹 = 𝑃𝑅 𝑑𝑒 𝑋~𝑁(𝜇; 𝛤)
16
Propriétés de 𝜱 : de FR de N(0 ;1) Explication Table de poisson :

0
1 𝑡2 𝑋~𝑁(𝜇, 𝜎)
Φ(0) = 𝑃(𝑌 ≤ 0) = ∫ exp (− ) 𝑑𝑡
−∞ √2𝜋 2
F= F.R de X, F(t) = P(X ≤ 𝑡)
1
= = Φ(0)
2 𝑡−𝜇
= Φ( ) On utilise cette
𝜎
Φ(−𝑥) = 1 − Φ(𝑥) 𝑒𝑡 Φ(𝑥) ≅ 1 formule quand t est
Φ = 𝐹𝑅 𝑑𝑒 𝑁(0; 1) négatif et quand on a
une valeur de Φ (𝑡) qui
𝑋~𝑁(0; 1) 1 Φ(𝑡) ≅ 1 𝑠𝑖 𝑡 ≥ 3
[Φ(0) = [ n’est pas dans la table.
2 Φ(−𝑡) = 1 − Φ(𝑡)
Cad quand la
𝑡 𝑥2
1 probabilité < 0,5
𝜑(𝑡) = 𝜑(−𝑡) Φ(𝑡) = ∫ 𝑒 − 2 𝑑𝑥
−∞ √2𝜋
T 0.00 0.01 .... 0.09

0.0 1/2 … …
0.1
Φ(−𝑥) = 𝑃(𝑋 ≤ … Φ(𝑡)
𝑃(𝑋 > 𝑥) 1.0
1.1
… … … …
𝑥) 2.9 0.99
=> 𝑋~𝑁(−3; 2)
1 − (−3)
∗ 𝑃 (𝑋 ≤ 1) = Φ ( ) = Φ(2) = 0,98
2
∗ 𝑃 (𝑋 > −1) = 1 − 𝑃(𝑋 ≤ 1) = 1 − Φ(1)

= 0,16 = 16%
∗ 𝑃 (0 ≤ 𝑋 ≤ 4) = 𝐹 (4) − 𝐹(0))
= Φ(3,5) − Φ(1,5) = 0,067
∗ 𝑃 ({𝑙𝑛|𝑥| ≤ 0}) = 𝑃({|𝑥| ≤ 𝑒 0 })

= 𝑃(−1 ≤ 𝑋 ≤ 1)
= 𝑃(1) − 𝑃(−1)
= Φ(2) − Φ(1)
= 0,977 − 0,841 = 14%
∗ 𝑃 (𝑋 > 𝑎) = 0,8 = 1 − 𝑃(𝑋 ≤ 𝑎)
⟺ 𝑃 (𝑎) = 0,2
a+3 −a − 3
⟺ Φ( ) = 0,2 = 1 − Φ ( )
2 2
−a − 3
⟺ Φ( ) = 0,84 ≅ 0,8
2
−a − 3
= 0,84 => 𝑎 = −4,68
2
17
𝑋~𝑁(𝜇, 𝜎) TD n°2 :
𝑙 Exercice n°1 :
∗ 𝑃 (𝜇 − 𝑙 ≤ 𝑋 ≤ 𝜇 + 𝑙) = 2Φ ( ) − 1
σ
= 𝐹 (𝜇 + 𝑙) − 𝐹 (𝜇 − 𝑙)
μ +l−μ μ−l− μ
= Φ( ) − Φ( ) 10 12 14 16 18 20 22
σ σ 0 1 2 3 4 5 6
0.878 0.2634 0.3292 0.2595 0.0823 0.0165 0.00
l 14
= 2( )−1 X=V.A= Nb feux rouges
σ
a)
∗ 𝑹è𝒈𝒍𝒆 𝒅𝒆𝒔 𝟑𝝈: 𝒍 = 𝟑𝝈 :
2
𝑃(𝑓𝑒𝑢𝑥 𝑟𝑜𝑢𝑔𝑒𝑠) = = 𝑠𝑢𝑐𝑐è𝑠 𝑅𝑂𝑈𝐺𝐸
𝑃(𝜇 − 3𝜎 ≤ 𝑋 ≤ 𝜇 + 3𝜎) = 2Φ(3) − 1 = 1 3
2
𝑃(𝑓𝑒𝑢𝑥 𝑣𝑒𝑟𝑡𝑠) = = 𝑒𝑐ℎ𝑒𝑐 𝑉𝐸𝑅𝑇
3
* Régle de l’écart probable :
1 1
𝐹𝑒𝑢~𝐵 (1; ) 𝑒𝑡 𝑋~𝐵 (6; )
𝑙 = 𝐸? 3 3
50 E 𝐷 = 2𝑋 + 10 (min)
𝑃(𝜇 − 𝐸 ≤ 𝑋 ≤ 𝜇 + 𝐸 ) = = 2Φ ( ) − 1
100 σ
b)
E
Φ ( ) = 0,75 𝑃(𝐷 = 16) = 𝑃(2𝑋 + 10 = 16) = 𝑃 (𝑋 = 3)
σ
6 1 3 2 3
E 2 = ( )( ) ( )
D’après la table, ( ) = 0,68 ; 𝐸 = 𝜎 3 3 3
σ 3
6 1 2 𝑛−1
𝑃(𝑋 = ) ( ) ( ) ( )
1 3 3
𝑋′ = 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑓𝑒𝑢𝑥 𝑣𝑒𝑟𝑡𝑠

2
𝑋′ ~𝐵 (6; )
3
𝑋′ + 𝑋 = 6 ⟺ 𝑋 = 6 − 𝑋
[22 − 2𝑋
D 10 12 …. 22
X’ 6 0
P … … …
c)
𝑃(𝐷 > 15) = 𝑃(𝐷 ≥ 16)

= 𝑃(𝐷 = 16) + 𝑃 (𝐷 = 18) … + 𝑃(𝐷 = 22)
1
= 32% =
3
18
Exercice n°2 : 𝑑2 𝑝𝑛 = 𝑃(4𝑓𝑎𝑢𝑡𝑒𝑠 𝑐𝑜𝑟𝑟𝑒𝑐𝑡, 𝑛 𝑟𝑒𝑙𝑒𝑐𝑡𝑢𝑟𝑒𝑠)

300 pages, 150 feuilles. = 𝑃(1𝑒𝑟𝑒 𝑓𝑎𝑢𝑡𝑒 𝑐𝑜𝑟𝑟𝑖𝑔é𝑒 𝑒𝑛 𝑛 𝑟𝑒𝑙𝑒𝑐𝑡𝑢𝑟𝑒𝑠) … 𝑒𝑡𝑐
4
a) 2 𝑛
= [1 − ( ) ]
3
Même loi pour chaque faute : B(1, 300).
Fautes ⊥ (indépendantes) Exercice n°3 :
b) 101 Boules
1 1 BBleue
𝑋 = 𝑁𝑏 𝑓𝑎𝑢𝑡𝑒𝑠/𝑝𝑎𝑔𝑒𝑠 ~𝐵(150; )
300
1 BRouge
Modèles nombre d’objets par cases.
1 BBlanche
Approximer par lois de poisson :
1 99 1
𝐵(𝑛, 𝑝) #𝑃 (𝑛𝑝)#𝑃 ( ) 𝑃(𝐵𝐵𝑙𝑎𝑛𝑐ℎ𝑒) = 𝑃 (𝐵𝑅𝑜𝑢𝑔𝑒) =
2 101 101
𝑛 ≥ 200 𝑝 ≤ 0,01
1
𝑃(𝐵𝐵𝑙𝑒𝑢𝑒) =
101
Calcul exact par loi binomiale : 𝑃("𝑣𝑖𝑐𝑡𝑜𝑖𝑟𝑒") = 0,01

299 150 1 150
𝑃(𝑋 = 0) = ( ) = (1 − ) "V" = 𝑅 + 𝐵𝑅 + 𝐵𝐵𝑅 + ⋯ + 𝐵 … 𝐵𝑅 + ⋯
300 300
1 150 𝑃(𝑉) = 𝑃 (𝑅 ) + 𝑃 (𝐵𝑅 ) + 𝑃(𝐵𝐵𝑅 ) + ⋯
1
= (1 − 2 ) = 𝑒 −2 = 𝑞 + 𝑞2 + 𝑞3 + ⋯
150
1
0
𝑞 101
1 1
𝑞(1 + 𝑞 + ⋯ ) = = = 1%
1 1− 𝑞 1− 1
𝑃 ( ) 𝑃(𝑋 = 0) = 𝑒 −2 (2) = 0,6065 ≅ 0,6 101
2
= 0!
c) 10 pages en vrac
Grand :n>100
N=Nb de pages parmi les 10 qui contiennent Petit p=0,01
au moins 1 faute. 𝑛
𝑋~𝐵(𝑛,0,01)#𝑃( )
100
𝑁~𝐻(300; 10; 𝑃 = 0,4)#𝐵(10; 0; 4) 𝑛
𝑃(𝑋 ≥ 1) = 1 − 𝑃 (𝑋 = 0) = 1 − 𝑒 −100
d) P(corriges les fautes)=1/3
Soit n≥ −100 ln(0,01)
1
𝐺( ) 𝑛 ≥ 200 ln(10) = 460 …
3
𝑃(1𝑓𝑎𝑢𝑡𝑒 𝑐𝑜𝑟𝑟𝑖𝑔é𝑒 𝑒𝑛 𝑛 𝑟𝑒𝑙𝑒𝑐𝑡𝑢𝑟𝑒𝑠) Donc me faut 461 joueurs, xp indép pour avoir
1 2 1 2 𝑛−1 1 au moins 1 gagnant.
= + + +⋯+ ) ( ( )
3 3 3 3 3
= 1 − 𝑃(1𝑓𝑎𝑢𝑡𝑒 𝑛𝑛 𝑐𝑜𝑟𝑟𝑖𝑔é𝑒)
2 𝑛
= 1− ( )
3
19
Correction du TD n°3 : 0𝑠𝑖 𝑥 < 0

𝐷𝑜𝑛𝑐 𝐹(𝑥) = { 1
1− 𝑠𝑖 𝑥 ≥ 0
Exercice n°1 : 1 +𝑥
a) Ainsi,
𝑃( −1 < 𝑥 < 1) = 𝐹 (1) − 𝑃(−1) = 50%
𝑓(𝑥) = 𝐶𝑥 2 (1 − 𝑥) 𝟏( 0,1) (𝑥)
Partie fonctionelle Support

1
IV) Transformation de VA
⟺ ∫ 𝐶𝑥 2 (1 − 𝑥)𝑑𝑥 = 1 continues :
0
1 1
A) Problème et méthode :
⟺ 𝑐[∫ 𝑥 2 𝑑𝑥 − ∫ 𝑥 3 𝑑𝑥] = 1
0 0
1 1 Déf :
⟺ 𝑐 [ − ] = 1 𝑐 = 12 X, V.A de densité f(x) et de support D :
3 4
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝑋) = {𝑥 − 𝑓(𝑥) > 0}
Soit U, une VA continue : 𝑈 = 𝑢(𝑥)
transformation par u de la var X.
𝑆𝑜𝑖𝑡 𝑓(𝑥) = 12𝑥 2 (1 − 𝑥)𝟏(0,1) (𝑥)
→ Cas général, la densité de U :
Fonction de répartition Support de (U) ? Support(U)=Δ=Image par u de D
→ u bijective sur Δ:
0 𝑠𝑖 𝑥 < 0
𝑥 (𝑢(𝑎), 𝑢(𝑏)), 𝑢
𝐹 (𝑥) = {∫ 12𝑡 2 (1 − 𝑡)𝑑𝑡 𝑥 ∈ (0,1) 𝐷 = (𝑎, 𝑏) ⊂ ℝ → Δ = {
(𝑢(𝑏), 𝑢(𝑎)), 𝑢
0
𝑥 𝑡3 𝑡4 U est TOUJOURS bijective !

∫0 12𝑡 2 (1 − 𝑡)𝑑𝑡 = 12[ − ]
3 4
𝑃(0,2 < 𝑥 < 1) = 𝐹(1) − 𝐹(0,2) Calcul de g(u) : Densité de U :

= 1 − 0,0272
Méthode : même chose qu’unchgmt de
= 0,9728 variable bijectif ds une intégrale a un détail
b) près :
𝑓(𝑥) = 𝐶(𝑥 + 1) −2 𝟏ℝ+(𝑥)

U bijective
+∞ 𝐶 1 1 𝑢 = 𝑢(𝑥) ⟺ 2 𝑥 = 𝑥(𝑢)
⟺ ∫0 𝑑𝑥 = 1 → 𝐶[− ]
(1+𝑥)² 1+𝑥
𝑑𝑥
⟺ 𝐶=1 → 3 | (𝑢)| = |𝑥 ′ (𝑢)|
𝑑𝑢
0 𝑠𝑖 𝑥 < 0 4 𝑔 (𝑢) = 𝑓(𝑥(𝑢)) |𝑥 ′(𝑢)|𝟏Δ(𝑢)

𝑥
𝐹 (𝑥) = {∫ 1
𝑑𝑡 𝑠𝑖 𝑥 ≥ 0
0 (1 + 𝑡) 2
𝑥
1 1
∫ 𝑑𝑡 = [− ]
0 (1 + 𝑡)² 1 +𝑡
20
Exercice n°3 : B) Transformations de VA

a) continues classiques : cas de
transformations bijectives
𝑓(𝑥) = 2𝑥 𝟏(0,1)(𝑥) 𝑎𝑣𝑒𝑐 𝑋 𝑙𝑎 𝑑𝑒𝑛𝑠𝑖𝑡é 1) 𝑿~𝝑 (𝒄,𝒅) 𝒔𝒖𝒊𝒕 𝒖𝒏𝒆 𝒍𝒐𝒊 𝒖𝒏𝒊𝒇𝒐𝒓𝒎𝒆
U= X² 𝐷 = 𝑠𝑢𝑝𝑝𝑜𝑟𝑡(𝑋) = (𝑐, 𝑑)
𝑢
1 𝑢 = 𝑥² (𝑥 → 𝑥²) 1
𝑓(𝑥) = 𝐶𝟏(𝒄,𝒅)(𝑥) = ∗ 𝟏(𝑐,𝑑) (𝑥)
𝑑−𝑐
Δ=support(U)=(0 ;1) Les VA unifomes sont stables par
transformation affine.
𝑑𝑥 1
2 𝑥 = √𝑢 → 3 | (𝑢)| = |𝑥 ′ (𝑢)| =
𝑑𝑢 2 √𝑢
1
𝑔(𝑢) = 2√𝑢 ∗ ∗ 𝟏(0,1)(𝑢)
2 √𝑢
𝑈~𝜐(0; 1)
b)
256
𝑋 𝑓 (𝑥) = ∗ 𝑥 7 exp(−4𝑥 2 ) 𝟏(0,+∞) (𝑥)
3
𝑋 𝑓 (𝑥), 𝐷 = 𝑠𝑢𝑝𝑝𝑜𝑟𝑡(𝑋) 𝑈 = 𝑎𝑥 + 𝑏~𝜗( , ) (𝑎𝑣𝑒𝑐 𝑎 ≠ 0)
𝑈 = 𝑢(𝑥) : 𝛥 𝑠𝑢𝑝𝑝𝑜𝑟𝑡(𝑈) = 𝑛(𝐷)

(𝑎𝑐 + 𝑏, 𝑎𝑑 + 𝑏) 𝑎 > 0
U bijective : 𝛥 = 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝑈) = {
(𝑎𝑑 + 𝑏, 𝑎𝑐 + 𝑏) 𝑎 < 0
1 𝑢 = 𝑢(𝑥) ⟺ 2 𝑥 = 𝑥(𝑢)
→ 3 𝑥 ′ (𝑢) => 𝑦
𝑦(𝑢) = 𝑓(𝑥(𝑢))|𝑥′(𝑢)|𝟏𝛥 (𝑥) 𝑢−𝑏
1 𝑢 = 𝑎𝑥 + 𝑏 2𝑥=
𝑎
U=4x2 𝛥 = [0; +∞[
1
3 |𝑥 ′ (𝑢)| =
|𝑎|
4 𝐷𝑒𝑛𝑠𝑖𝑡é 𝑑𝑒 𝑈:
1 1
𝑔(𝑢) = ∗ 𝟏 (𝑢)
1 𝑑 − 𝑐 |𝑎| 𝛥
√𝑢 𝑢2
1 𝑢 = 4𝑥 2 ⟺ 2 𝑥 = = 1
2 2 𝟏(𝑎𝑐+𝑏;𝑎𝑑+𝑏)(𝑥) 𝑠𝑖 𝑎 > 0
1 1 = {𝑎𝑑 − 𝑎𝑐
→ 3 𝑥 ′ (𝑢) = ∗ 𝑢−2 1
4 𝟏 (𝑥) 𝑠𝑖 𝑎 < 0
7
3∗( )
𝑎𝑐 − 𝑎𝑑 (𝑎𝑑+𝑏;𝑎𝑐+𝑏)
256 𝑢 2 1 1
4 𝑔 (𝑢) = ∗ 7 + exp (−𝑢) ∗ 2 𝑢2
3 2 2
1
𝑔(𝑢) = ∗ 𝑢3 exp( −𝑢) 𝟏( 0,+∞)(𝑢)
6
1 1 1
𝛾4 = = = (𝑣é𝑟𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛 )
6 𝑃4 ( ) 3!
21
Correction du TD n°4 : Remarque :
Exercice n°2 : 𝑋~𝑁(𝜇,𝜎)
𝑋~𝜗(2;4) 𝑥−𝜇
𝐹 (𝑥) = 𝑃 (𝑋 ≤ 𝑥 2 ) = 𝜙( )
𝜎
𝑎=1
𝑈 = 𝑋 − 3{ (𝜙 = 𝐹𝑅 𝑑𝑒 𝑁( 0,1) )
𝑏=3
𝑈~𝜗(−1;1)
𝑥 −𝜇 𝑥 −𝜇
𝐹 (𝑥) = 𝑃 (𝑋 ≤ 𝑥) = 𝑃 ( ≤ )
𝑋~𝜗(−1;4) 𝜎 𝜎
𝑥 − 𝜇 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑒𝑛𝑡𝑟é𝑒
𝑉= [
𝑎 = −3 𝜎 𝑟é𝑑𝑢𝑖𝑡𝑒
𝑈 = −3𝑋 + 2 {
𝑏 =2
1
𝑈~𝜗(−10;5) 𝑎=
𝜙 = 𝐹𝑅 𝑑𝑒 𝑦 ⟺ 𝑌~𝑁(0,1) { 𝜎
𝜇
(Retour au cours) 𝑏=−
𝜎
2) 𝑿~𝑵 (𝝁,𝝈) 2
1 1 (𝑦 − (𝑎𝜇 + 𝑏))
𝑔(𝑦) = exp (− )
√2𝜋𝜎(𝑎) 2 𝑎2𝜎 2
1 1 (𝑥 − 𝜇) 2
𝑓(𝑥) = exp (− ∗ )
√2𝜋𝜎 2 𝜎2 = 𝜑(𝑦) 𝑎𝑣𝑒𝑐 𝜑 𝑑𝑒𝑛𝑠𝑖𝑡é 𝑐ℎ 𝑁( 0;1)
Avec D=ℝ 𝑋−𝜇
𝑋~𝑁(𝜇,𝜎) ⟺ ~𝑁(0,1)
Les VA normales sont stables par la 𝜎
transformation affine. 𝑌~𝑁(0,1) ⟺ 𝜎𝑦 + 𝜇~𝑁(𝜇,𝜎)
𝑈 = 𝑎𝑥 + 𝑏~𝑁( ; ) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝑈) = ℝ
①②③ 3) 𝑿~𝜸𝜶 𝒂𝒗𝒆𝒄 𝜶 > 𝟎

2
𝑢−𝑏 1
1 (
1 𝑎 − 𝜇) 1 𝑓(𝑥) = 𝑥 𝛼−1 exp(−𝑥) ∗ 𝟏ℝ+ (𝑥)
𝑔(𝑢) = exp (− ) Γ(𝛼)
2 𝜎 2 | 𝑎|
√2𝜋𝜎
𝑋
𝑈= 𝑎𝑣𝑒𝑐 𝜆 > 0:
Nouvelle Moyenne
𝜆
1 𝛼−1 𝛼−1
𝑔(𝑢) = 𝜆 𝑢 exp(−𝜆𝑢) ∗ 𝟏ℝ+ (𝑢)
1 1 (𝜇 − 𝑏 + 𝑎𝜇) 2 Γ(𝛼)
= exp (− )(𝟏ℝ (𝑢))
√2𝜋𝜎(𝑎) 2 |𝑎| 𝜎 2
𝑋
Ecart type 1 𝑈= ⟺ 2 𝑥 = 𝜆𝑢 => 3 |𝑥 ′ (𝑢)| = 𝜆
𝜆
3
𝑎=
5
b) 𝑋~𝑁(−1,2) { 5
𝑏=
2 𝑠𝑒 𝑟𝑎𝑝𝑝𝑜𝑟𝑡𝑒
𝜆𝛼 𝛼−1
3𝑋+5 𝑔 (𝑢) = 𝑢 exp(−𝜆𝑢) 𝟏ℝ+(𝑢) [ 𝑎 𝑢𝑛𝑒 𝑙𝑜𝑖
𝑈= ~𝑁(1;3) Γ(𝛼) 𝛾(𝛼; 𝜆)
2
22
Remarque :
𝑋(𝛼; 𝜆), 𝑥 > 0 𝑒𝑡 𝜆 > 0

→ 𝜆 = 1: 𝛾𝛼
→ 𝛼 = 1 exp (𝜆)
CONCLUSION :
𝛾1
= exp(𝜆)
𝜆
Remaques :
Notation raccourcie pour dire si x suit

𝑥
une 𝛾1 alors suit une expo :
𝜆
𝑥 𝛾1
𝑆𝑖 𝑋~𝛾1 , 𝑎𝑙𝑜𝑟𝑠 ~exp(𝜆) ⟺ = exp(𝜆)
𝜆 𝜆
𝛾1
𝑋~ 𝑒𝑡 𝑦~exp (𝜆)
𝜆
Loi du X= Loi du Y !
C) Cas ou la transformation est

non bijective :
Def :
On appelle VA du CHI-DEUX
𝑋~χ²(1) (𝑑𝑒𝑔𝑟é 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡é)
𝑋 = 𝑈² ; 𝑈~𝑁(0;1) ⟺ χ2 (1) = 𝑁2( 0,1) = 2𝛾1
2
1 𝑢2
𝑈𝜑 (𝑢) = exp (− )
√2𝜋 2
𝑋 = 𝑈² 𝑒𝑡 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝑋) = (0, +∞)
𝐺 (𝑥) = 𝑃 (𝑋 ≤ 𝑥) = 𝑃 (𝑈 2 ≤ 𝑥)
= 𝑃(−√𝑥 ≤ 𝑈 ≤ √𝑥)
= Φ(√𝑥) − Φ(−√𝑥)
𝐺 (𝑥) = 2Φ(√𝑥) − 1 ∀𝑥 ∈ ∆
2𝜑(√𝑥) 1 𝑥
𝑔(𝑥) = = exp (− )𝟏ℝ+ (𝑥)
2√𝑥 √2𝜋√𝑥 2
1 3
𝑔(𝑥) = exp (− ) 𝟏ℝ+ (𝑥)
√2𝜋√𝑥 2
𝑁 2 (0; 1) = χ2 (1) ⟺ 𝑠𝑖 𝑈~𝑁(0; 1)
𝑎𝑙𝑜𝑟𝑠 𝑈²~χ²(1)
23
CHAPITRE N°3 : LES MOMENTS
Généralités :
→ moment d’ordre 1 : moyenne (non centrée)
→ moment centrée d’ordre 2 : Variance.
I) Espérance : moment non

centrée d’ordre 1 :
Discret (probabilité) : Continu (densité) :
𝑥1 𝑥 2 ….
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋) = {𝑥: 𝑓(𝑋 = 𝑥) ≠ 0}
𝑥 ∈ [𝑎; 𝑏] =Support (X)={𝑥, 𝑓(𝑥) > 0}
0 ≤ 𝑃𝑖 = 𝑃(𝑋 = 𝑥 𝑖) 0 ≤ 𝑓 (𝑥) Partie fonctionnelle
∑ 𝑝𝑖 = 1
𝑖 ∫ 𝑓(𝑥) 𝑑𝑥 = 1 = ∫ 𝑓 (𝑥)𝑑𝑥
ℝ 𝐷
+∞
𝟏 𝐸 (𝑋) = ∑ 𝑥𝑖 𝑃𝑖 𝟏′ 𝐸(𝑋) = ∫−∞ 𝑥 𝑓 (𝑥)𝑑𝑥
𝑖
Avec indicatrice 𝟏𝐷 (𝑥)
𝟐 𝐸 (𝜑(𝑋)) = ∑ 𝜑(𝑥 𝑖 )𝑃𝑖
𝑖 = ∫𝐷 𝑥 𝑓 (𝑥)𝑑𝑥
𝑠𝑖 𝜑 (𝑋) = 𝑋, 𝑜𝑛 𝑟𝑒𝑡𝑟𝑜𝑢𝑣𝑒 1
sans indicatrice 𝟏𝐷 (𝑥)
x partie fonctionelle
+∞
𝟐′ 𝐸(𝜑(𝑋)) = ∫−∞ 𝜑(𝑥)𝑓 (𝑥)𝑑𝑥
Avec indicatrice 𝟏𝐷 (𝑥)
= ∫𝐷 𝜑(𝑥) 𝑓(𝑥)𝑑𝑥
Sans indicatrice 𝟏𝐷 (𝑥)
Propriétés :
𝑋 ≥ 0 => 𝐸 (𝑋) ≥ 0
𝑋 = 𝑎 = 𝑐𝑡𝑒 => 𝐸 (𝑋) = 𝑎 𝑠𝑖 𝜑 (𝑋) = 𝑋, 𝑜𝑛 𝑟𝑒𝑡𝑟𝑜𝑢𝑣𝑒 1′
𝐸 (𝜆𝑋) = 𝜆(𝑋)
𝐸 𝑒𝑠𝑡 𝑙𝑖𝑛é𝑎𝑖𝑟𝑒 {
𝐸 𝑥1 + 𝑥 2 ) = 𝐸 (𝑋1 ) + 𝐸(𝑋2 )
(
𝑋 ⊥ 𝑌 => 𝐸 (𝑋𝑌) = 𝐸(𝑋)𝐸(𝑌)
24
Calcul (exemple) : espérance d’une loi de 2)

Poisson
𝛼 0 1 2 3
1) 𝑿~𝑷(𝝀), 𝝀 > 𝟎 0,1 0,2 0,3 0,4
𝜑(𝛼) 1 1 1
0 1 2 … i … 1
2 3 4
𝜆𝑖
𝑃𝑖 = 𝑒 −𝜆 ∗
𝑖!
+∞ 𝐸 (𝑋) = 2
𝜆𝑖
𝐸 (𝑋) = ∑ 𝑖𝑒 −𝜆 ∗
𝑖! 1 1 1 1
𝑖=0 𝐸( ) = 0,1 ∗ 1 + 0,2 ∗ + 0,3 ∗ + 0,4 ∗
+∞ 1+𝑋 2 3 4
𝜆𝑖
= ∑ 𝑖𝑒 −𝜆 ∗ = 0,4
𝑖!
𝑖=1
+∞ 1
𝜆𝑖 𝜑(𝑋) =
= 𝑒 −𝜆 ∑ 1 +𝑋
(𝑖 − 1)!
𝑖=1
+∞
𝜆𝑖−1
= 𝜆𝑒 −𝜆 ∑ 𝒄
(𝑖 − 1)! 3) 𝑿: 𝒇 (𝒙) = 𝟏[2;4] (𝒙)
𝑖=1 𝒍𝒏( 𝒙)
On note j= i-1 𝐸 = [ln(𝑥)] 𝜑(𝑋) = ln(𝑋)

+∞ 4
𝑐
On a alors, série exponentielle
=∫ ln(𝑥) ∗ 𝟏[2;4] (𝑥) = ∫ 𝑐 𝑑𝑥
−∞ ln(𝑥) 2
+∞
𝜆𝑗 𝐸 (𝑥) = 2𝑐
𝐸 (𝑋) = 𝜆𝑒 −𝜆 ∑
𝑗! 𝒄
𝑗=0 4) 𝑿: 𝒇 (𝒙) = ( 𝟏[ ] (𝒙)
𝟏+𝒙) 𝟐 1;2
= 𝜆𝑒 −𝜆 𝑒 𝜆
+∞ 2
𝑐
𝐸 (𝑥) = 𝜆 ∫ 𝜑(𝑥) 𝑑𝑥 = 1 = ∫ 𝑑𝑥
−∞ 1 (1 + 𝑥) 2
1
On a donc : ⟺ 𝑐 [− ]=1
1 +𝑥
1 1
𝐸 (𝑃(𝜆)) = 𝜆 où 𝜆 > 0. ⟺ 𝑐 [− + ] = 1 ⟺ 𝑐 = 6
3 2
𝑈𝑛𝑒 𝑝𝑜𝑖𝑠𝑠𝑜𝑛 𝑎 𝑢𝑛𝑒 𝑚𝑜𝑦𝑒𝑛𝑛𝑒
é𝑔𝑎𝑙𝑒 à 𝑠𝑜𝑛 𝑝𝑎𝑟𝑎𝑚è𝑡𝑟𝑒 6
𝐷𝑜𝑛𝑐 𝑓(𝑥) = 𝟏 (𝒙)
(1 + 𝑥) 2 [1;2]
2
6
𝐸 [(𝑋 + 1) 3 ] = ∫ (1 + 𝑥) 3 ∗
𝑑𝑥
1 (1 + 𝑥) 2
2
1
= 6 1 + 𝑥 𝑑𝑥 = 6 (2 + 2 − 1 − ) = 15
∫
1 2
25
II) Variance : III) Moments de VA

Déf :
classiques :
Moment centré d’ordre 2. A) VA discrètes :
X. VA. Variance de X se note 1) 𝛗~𝐁(𝟏;𝐩)(𝐛𝐞𝐫𝐧𝐨𝐮𝐢𝐥𝐥𝐢)
2
𝑉(𝑋) = 𝐸[(𝑋 − 𝐸 (𝑋)) ] (formule 𝟐 𝑒𝑡 𝟐′ )
𝑎𝑣𝑒𝑐 𝜑(𝑋) = [𝑋 − 𝐸(𝑋)] 2 𝑛 ∈ ℕ∗ 𝑒𝑡 𝐸 (𝜑 𝑛 ) = 𝐸 (𝜑(𝜑)) = 0 + 𝑝
𝑋 − 𝐸 (𝑋) = 𝑢𝑛𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑒𝑛𝑡𝑟é𝑒
𝐸 (𝑋 − 𝐸 (𝑋)) = 0 𝜑(𝜑) = 𝜑 𝑛
0 1
q = 1-p p
Définition : ∀𝑛 ∈ ℕ∗ , 𝐸 (𝜑 𝑛 ) = 𝜑
𝐸 (𝜑) = 𝜑
Moment non centré d’ordre 𝑛 ∈ ℕ∗ : 𝑉 (𝜑) = 𝐸(𝜑 2 ) − 𝐸 2 (𝜑) = 𝑝 − 𝑝 2
= 𝑝(1 − 𝑝)
𝐸 (𝑋𝑛 ) = 𝐸 (𝜑(𝑋))[𝜑(𝑋) = 𝑋2 ]
2) 𝐗~𝐁(𝐧; 𝐩) (𝒍𝒐𝒊 𝒃𝒊𝒏𝒐𝒎)
Moment centré d’ordre 𝑛 ∈ ℕ∗ :
𝑛 𝑛
𝐸[(𝑋 − 𝐸 (𝑋)) ] = 𝜑 (𝑋) = (𝑋 − 𝐸(𝑋)) 𝑆𝑜𝑖𝑡 𝑌1 , 𝑌2 , 𝑌3 , … , 𝑌𝑛. Il y a dons n VA iiD
(indépendantes et indentiques distribuées)
n=1 => 0 comme B(1, p) :
n=2 => Variance 𝑋 = 𝑌1 , 𝑌2 , … , 𝑌𝑛 = 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑠𝑢𝑐𝑐è𝑠
{0, 1} {0, 1} {0, 1}
Propriétés :
0 1 .... ..... n
2
𝑉 (𝑋) = 𝐸 [(𝑋 − 𝐸 (𝑋)) ] = 𝐸(𝑋2 ) − [𝐸 (𝑋)]2 X 𝑃(𝑋 = 𝑖) = (𝑛𝑖)𝑝 𝑖(1 − 𝑝) 𝑛−𝑖
∗ 𝑉 (𝑋) ≥ 0 𝑒𝑐𝑎𝑟𝑡 𝑡𝑦𝑝𝑒: 𝜎(𝑋) = 𝜎 = √𝑉(𝑋)
2
∗ 𝑉 (𝑎) = 0 = 𝐸 [ (𝑎 − 𝐸 (𝑎)) ] n termes 𝑖 = 0, 1, −, 𝑛
∗ 𝑉 (𝑋 + 𝑎) = 𝐸 [[(𝑋 + 𝑎) − 𝐸(𝑋) + 𝑎]2 ]
𝐵(𝑛, 𝑝) = 𝐵(1; 𝑝) ∔ 𝐵(1; 𝑝) … ∔ 𝐵(1; 𝑝)
= 𝑉 (𝑋)
∗ 𝑉 𝜆𝑋 = 𝜆2 𝑉(𝑋) 𝑒𝑠𝑡 𝑞𝑢𝑎𝑑𝑟𝑎𝑡𝑖𝑞𝑢𝑒
( ) Indépendance
∗ 𝑋 ⊥ 𝑌 => 𝑉 (𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌)
𝑛
𝜇 = 𝐸 (𝑋)
{ ⟺ 𝑋~𝐵(𝑛; 𝑝) 𝑋 = ∑ 𝑌𝑖 𝑜ù 𝑙𝑒𝑠 𝑌𝑖 𝑠𝑜𝑛𝑡 𝑖𝑖𝐷
𝜎 = √𝑉 (𝑋)
𝑖=1
∗ 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑒𝑛𝑡𝑟é𝑒: 𝑋 − 𝜇 𝐸 (𝑋 − 𝜇) = 0
𝑋 𝑋 1 Remarque :
∗ 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑟é𝑑𝑢𝑖𝑡𝑒: : 𝑉 ( ) = 2 𝑉 (𝑋) = 1
𝜎 𝜎 𝜎
∗ 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑒𝑛𝑡𝑟é𝑒 𝑒𝑡 𝑟é𝑑𝑢𝑖𝑡𝑒: Quand des variables ont la même loi, tous les
̇ 𝜇
𝑋− 𝑋 moments d’ordre n sont identiques.
𝑋= 𝑉(𝑋) = 𝑉 ( ) − 1
𝜎 𝜎
𝑙𝑒𝑠 𝑒𝑠𝑝é𝑟𝑎𝑛𝑐𝑒𝑠 𝑠𝑜𝑛𝑡 𝑖𝑑𝑒𝑛𝑡𝑖𝑞𝑢𝑒𝑠
𝐸 (𝑋) = 0 Càd que: {
𝑙𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒𝑠 𝑠𝑜𝑛𝑡 𝑖𝑑𝑒𝑛𝑡𝑖𝑞𝑢𝑒𝑠
𝑉 (𝑋) = 𝐸( 𝑋2 − 2𝑋𝐸(𝑋) + 𝐸 2 (𝑋)]
2
= 𝐸 (𝑋2 ) − 𝐸 (𝐸(𝑋))
26
𝑛 𝑛
B) VA continues :
− 𝑋 = ∑ 𝑌𝑖 => 𝐸 (𝑋) = ∑ 𝐸 (𝑌𝑖 ) = 𝑛𝑝
𝑖=1 𝑖=1
1) 𝐗~𝛝(𝐚; 𝐛):
𝑛
1
= ∑ 𝑖𝑃(𝑋 = 𝑖) 𝑓(𝑥) = 𝟏[ ](𝑥)
𝑖=0
𝑏 − 𝑎 𝑎;𝑏
+∞
1
𝑛 𝑛 𝐸 (𝑋) = ∫ 𝑥 ∗ 𝟏[ ] (𝑥) 𝑑𝑥
⊥ −∞ 𝑏 − 𝑎 𝑎;𝑏
− 𝑉 (𝑋) = 𝑉 (∑ 𝑌𝑖 ) ⇒ ∑𝑉 (𝑌𝑖) = 𝑛𝑝𝑞 𝑏 𝑏
1 1 𝑥2
𝑖=1 𝑖=1 𝐸 (𝑋) = ∫ 𝑥 𝑑𝑥 = [ ]
𝑏− 𝑎 𝑎 𝑏−𝑎 2 𝑎
𝐷𝑜𝑛𝑐 𝑋~ 𝐵(𝑛;𝑝) 𝑎+𝑏
𝐸(𝑋) = 𝑛𝑝 =
2
𝑉(𝑋) = 𝑛𝑝𝑞 𝑜ù 𝑞 = 1 − 𝑝
𝑏 𝑏
𝑥2 1
𝐸 (𝑋2 ) = ∫ 𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥
𝑎 𝑏− 𝑎 𝑏 −𝑎 𝑎
3) 𝐗~𝐏(𝛌) , 𝛌 > 𝟎
1
= [𝑏 3 − 𝑎3]
𝑋~𝑃(𝜆), 𝜆 > 0 𝐸 (𝑋) = 𝜆 3(𝑏 − 𝑎)
𝜆𝑖
𝑃(𝑋 = 𝑖) = 𝑒 −𝜆 ∗ 𝑜ù 𝑖 ∈ ℕ 𝑉 (𝑋) = 𝜆 D’où :
𝑖!
1
𝐸 (𝑋2 ) = (𝑏 − 𝑎)(𝑎 2 + 𝑎𝑏 + 𝑏 2 )
𝑉 (𝑋) = 𝐸( 𝑋2 ) − 𝐸 2 (𝑋) 3(𝑏 − 𝑎)
𝐸 (𝑋(𝑋 − 1)) = 𝐸 (𝜑(𝜆)) 𝑎 2 + 𝑎𝑏 + 𝑏 2
=
+∞ 3
𝜆𝑖
= ∑ 𝑖(𝑖 − 1)𝑒 −𝜆 ∗
𝑖!
𝑖=0
+∞ Remarque :
𝑖(𝑖 − 1)𝜆𝑖 𝑏 𝑛+1 − 𝑎 𝑛+1
= 𝑒 −𝜆 ∑
𝑖! = (𝑏 − 𝑎)[𝑎 𝑛 + 𝑎 𝑛−1 + ⋯ + 𝑎𝑏 𝑛−1 + 𝑏 𝑛 ]
𝑖=2
𝜆𝑖
= 𝑒 −𝜆 ∑+∞
𝑖=2 ( 𝑖−2) !
+∞
𝜆𝑖−2 𝑉 (𝑋) = 𝐸( 𝑋2 ) − 𝐸 2 (𝑋)
= 𝑒 −𝜆 𝜆2 ∑ 𝑜𝑛 𝑝𝑜𝑠𝑒 𝑗 = 𝑖 − 2 𝑏 2 + 𝑎𝑏 + 𝑎 2 (𝑎 + 𝑏) 2
(𝑖 − 2)! = −
𝑖=2
+∞
3 4
𝜆𝑗 (𝑏 − 𝑎) 2
= 𝑒 −𝜆 𝜆² ∑ = 𝜆2 𝑒 −𝜆 𝑒 𝜆 = 𝜆² =
𝑗! 12
𝑗=0
2) 𝐗~𝛄𝛂 𝐚𝐯𝐞𝐜 𝛂 > 𝟎
Série exponentielle
𝑋~𝛾𝛼 𝑎𝑣𝑒𝑐 𝛼 > 0
𝐷𝑜𝑛𝑐 𝜆2 = 𝐸 (𝑋2 − 𝑋) 1
𝑓 (𝑥) = 𝑥 𝛼+1 𝑒 −𝑥 𝟏[0;+∞] (𝑥)
= 𝐸 (𝑋2 ) − 𝐸 (𝑋)𝑜ù 𝐸 (𝑋) = 𝜆 𝛤(𝛼)
𝐸(𝑋) = 𝛼
{
𝑉(𝑋) = 𝛼
𝐸 (𝑋𝑛 ) = 𝐸 (𝜑(𝑋))
+∞
1
=∫ 𝑥𝑛 ∗ 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0 𝛤(𝛼)
+∞
1
= ∫ 𝑥 𝑛+𝛼−1 𝑒 −𝑥 𝑑𝑥
𝛤(𝛼) 0
27
𝐴
= 𝛤 (𝑛 + 𝛼 − 1) 𝐴 𝑦2
(− )
𝑦2
(− )
- Si n=1 : 𝐶𝑎𝑟 lim ∫ 𝑦 𝑒 2 𝑑𝑦 = [𝑒 2 ]
𝐴→∞ 0
0
𝛤(𝛼 + 1) 𝛼𝛤(𝛼) 𝐴2
𝐸 (𝑋) = = =𝛼 = − exp (− )
𝛤 (𝛼) 𝛤 (𝛼) 2
- Si n=2 : 𝑉 (𝑌) = 𝐸 (𝑌2 )

+∞
1 𝑦2
𝛤(𝛼 + 2) (𝛼 + 1) 𝛤(𝛼 + 1) 𝐸 (𝑌2 ) = ∫ (𝑦 2 ∗ ∗ exp (− )) 𝑑𝑦
𝐸 (𝑋2 ) = = −∞ √2𝜋 2
𝛤 (𝛼) 𝛤(𝛼) 1 𝑦2
(𝛼 + 1) 𝛼 𝛤 (𝛼) 𝑌. 𝑓(𝑌) = exp (− )
= √2𝜋 2
𝛤(𝛼) +∞
1 𝑦2
𝐸 (𝑌) = 0 = ∫ (𝑦 2 exp (− )) 𝑑𝑦
𝑉 (𝑋) = 𝐸( 𝑋2 ) − 𝐸 2 (𝑋) = 𝛼(𝛼 + 1) − 𝛼² √2𝜋 −∞ 2
+∞ 2
2 𝑦
3) 𝐗~𝐍(𝛍; 𝛔) 𝐸 (𝑌2 ) = ∫ (𝑦 2 exp (− )) 𝑑𝑦
√2𝜋 0 2
𝐸 (𝑋) = 𝜇 𝑒𝑡 𝑉(𝑋) = 𝜎 2
2
1 (−𝑦 ) 𝐸 (𝑌) = 0
( )
𝑌: 𝜑 𝑦 = 𝑒 2 { 𝑦2 𝑑𝑦 1
√2𝜋 𝑉 (𝑌) = 1 1 𝑢= ⟺ 2 𝑦 = √2𝑢 ⟹ 3 | | =
2 𝑑𝑢 √2𝑢
+∞
𝑋 −𝜇 √2 𝑑𝑢
𝑂𝑟 𝑋 = 𝜎𝑌 + 𝜇 ⟺ = 𝑌~𝑁(0; 1) 4 𝐸 (𝑌2 ) = ∫ 2𝑢 exp(−𝑢)
𝜎 √𝜋 0 √2𝑢
1 +∞ 𝑦2
(− )
𝐸 (𝑌) = ∫ 𝑦𝑒 2 𝑑𝑦 2 +∞ 1(=3−1)
√2𝜋 −∞ = ∫ 𝑢2 2 exp (−𝑢) 𝑑𝑢
1
(−
𝑦2
)
+∞ 𝑦2
(− ) √𝜋 0
𝑂𝑛 é𝑡𝑢𝑑𝑖𝑒 lim [∫ 𝑦𝑒 2 + ∫ 𝑦𝑒 2 ] 2 3 2 1 1
𝑛→∞ 0 1 = 𝛤( ) = 𝛤( ) ∗ = 1
√𝜋 2 √𝜋 2 2
𝑦2
𝑃𝑜𝑢𝑟 𝑦 𝑔𝑟𝑎𝑛𝑑, 𝑦 3 < exp ( ) 1
2 𝑐𝑎𝑟 𝛤 ( ) = √𝜋
2
1 𝑦2
𝑦2 𝑌 = 𝑓 (𝑦) = exp (− )
⟺ 𝑦 −3 > exp (− ) √2𝜋 2
2
𝑦2
⟹ 𝑦 −2 > 𝑦 exp (− ) 𝐸 (𝑌) = 0 𝑋~𝑁(𝜇; 𝜎) 𝑋 = (𝜎𝑌) + 𝜇
2
𝑌~𝑁(0; 1) 𝐸 (𝑋) = 𝜎𝐸(𝑌) + 𝜇 = 𝜇
𝑛 𝑛 𝑦2
(− ) 𝑉 (𝑌) = 1 𝑉 (𝑋) = 𝜎𝑉(𝑌) = 𝜎²
⟹∫ 𝑦 −2 𝑑𝑦 > ∫ 𝑦𝑒 2 𝑑𝑦
𝑦0 𝑦0
𝑛 𝑦 𝑛 2
1 (− )
⟹ [− ] > ∫ 𝑦 𝑒 2 𝑑𝑦
𝑦 𝑦0 𝑦0
𝑛 𝑦 2
1 (− )
⟹ > ∫ 𝑦 𝑒 2 𝑑𝑦 > 0
𝑦0 𝑦0
1 +𝑛 𝑦2
(− )
𝐷𝑜𝑛𝑐 𝐸 (𝑌) = lim ∫ 𝑦 𝑒 2 𝑑𝑦
√2𝜋 𝑛→∞ −𝑛
𝐷𝑜𝑛𝑐 𝐸 (𝑌) = 0
28
4) 𝐞𝐱𝐩(𝝀) 𝒆𝒕 𝛘²(𝟏) IV) Inégalités de Tchebychev :

𝜸𝟏
a) 𝐞𝐱𝐩(𝝀) =
𝝀
Un cas particulier de l’inégalité de markov.
Soit X un VA quelconque.
𝑋~𝛾1
𝑋 𝑆𝑜𝑖𝑡 𝑡 > 0 𝑒𝑡 𝑛 ∈ ℕ∗ :
𝐴𝑙𝑜𝑟𝑠 ~𝑒𝑥𝑝(𝜆) ⟺ 𝑌~𝑒𝑥𝑝(𝜆)
𝜆
⟺ 𝜆𝑌~𝛾1 𝐸(|𝑥|𝑛 )
𝑃(|𝑥| ≥ 𝑡) ≤
𝐸𝑛
𝐷é𝑚𝑜: 𝑅𝑎𝑝𝑝𝑒𝑙: 𝑋 ≤ 𝑌 => 𝐸 (𝑋) < 𝐸 (𝑌)

𝛾1 1 1
𝐸 [exp (𝜆)] = 𝐸 [ ] = 𝐸 [𝛾1 ] =
{ 𝜆 𝜆 𝜆
𝐸 (𝑋)
𝐸 (𝑌) =
𝜆 𝑌 − 𝑋 ≥ 0 => 𝐸 (𝑌 − 𝑋) ≥ 0
0 𝑠𝑖 |𝑥| < 𝑡
𝑆𝑜𝑖𝑡 𝑌 = {
𝑡 𝑛 𝑠𝑖 |𝑥| ≥ 𝑡
b) 𝛘²(𝟏)
1
χ2 (1) = 2𝛾
2 0 𝑡𝑛
1 Y
2𝛾 ∗ = χ2 (1) = N²(0; 1) 𝑃( |𝑥| < 𝑡) 𝑃 ( |𝑥| ≥ 𝑡)
2
1
⟺ 𝑆𝑖 𝑋~𝛾 𝐴𝑙𝑜𝑟𝑠,2𝑋~χ2 (1)
2 𝑌 ≤ |𝑥|𝑛 => 𝐸 (𝑌) ≤ 𝐸 ( |𝑥|𝑛 ) =>
1 1
𝐸 (χ2 (1) ) = 𝐸 (2𝛾 ) = 2 ∗ = 1 => 𝑡 𝑛 𝑃( |𝑥| ≥ 𝑡) ≤ 𝐸 ( |𝑥|𝑛 )
2 2
1 1
𝑉 (χ2 (1) ) = 𝑉 (2𝛾 ) = 4𝑉 (𝛾 ) = 2
2 2
Inegalités de tchebychev :
𝐸 (𝛾𝛼) = 𝛼 = 𝑉 (𝛾𝛼) 𝛼 > 0 C’est la version
𝑛 = 2 et appliquer à 𝑋 − 𝐸(𝑋), majoration
𝑉 (𝑋)
𝑡 > 0, 𝑃 (|𝑥 − 𝐸 (𝑥)| ≥ 𝑡) ≤
𝑡2
𝑜𝑢 𝑃( |𝑥 − 𝐸 (𝑥)| ≥ 𝑡)
𝑉(𝑥)
= 1 − 𝑃 ( |𝑥 − 𝐸 (𝑥)| < 𝑡) ≤
𝑡2
𝑉(𝑋)
⟺ 𝑃(|𝑥 − 𝐸(𝑥)| ≤ 𝑡) ≥ 1 −
𝑡2
C’est la version
minoration
29
Remarque : 1 4 1
𝑉 (𝑋) = 𝐸( 𝑋2 ) − 𝐸 2 (𝑋) = − =
2 9 18
En général les ineg de tchebychev donnent
1
des minorations et des majorations grossières.
𝑃(|𝑥 − 𝐸 (𝑋)| ≤ 2) ≥ 1 − 18 = 98,4%.
4
Plus le majorant est petit, plus il est F=F.R de X, Calcul exact de 𝑃 (|𝑋 − 𝐸(𝑋)| ≤ 2)
intéressant. 4 8 8 4
Plus le minorant est grand, plus il est = 𝑃 (− ≤ 𝑥 ≤ ) = 𝐹 ( ) − 𝐹 (− ) = 1
3 3 3 3
intéressant.
Donc minoration de Tchébichev inutile
Enoncés :
Calcul exact :
Exercice n°1 :
𝑃(|𝑥 − 𝐸 (𝑋)| ≤ 2)
𝑃 (𝜇 − 3𝜆 ≤ 𝑋 ≤ 𝜇 + 3𝜆). 𝑋 𝑞𝑢𝑒𝑙𝑐𝑜𝑛𝑞𝑢𝑒. = 𝑃( −2 ≥ 𝑋 − 𝐸 (𝑥) ≤ 2)
4 8
Exercice n°2 : TD6 = 𝑃(− ≤ 𝑥 ≤ )
3 3
X continue 𝑓(𝑥) = 2𝑥 𝟏(0 ;1) (𝑥) Fonction de répartition :

𝐸(𝑋) =
0 𝑠𝑖 𝑥 < 0
𝑉(𝑋) = 𝐸 (𝑋2 ) − 𝐸 2 (𝑋) 𝑥 0 𝑠𝑖 𝑥 < 0
𝐹 (𝑥) = { 2 ∫ 𝑡 𝑑𝑡 = {𝑥² 𝑠𝑖 𝑥 ∈ (0; 1)
0 1 𝑠𝑖 𝑥 > 1
1 𝑠𝑖 𝑥 > 1
𝑃(|𝑥 − 𝐸 (𝑋)| ≤ 2) 𝑀𝑖𝑛𝑜𝑟𝑎𝑡𝑖𝑜𝑛
Calcul exact de (𝑃(|𝑥 − 𝐸 (𝑋)| ≤ 2) Exercice n°3 :
Exercice n°1 : Soit X VA Continue.
𝑃( −3𝜎 + 𝜇 ≤ 𝑋 ≤ 𝜇 + 3𝜎) 𝑋. 𝑓 (𝑥) = 𝑐𝑥(1 − 𝑥) ∗ 𝟏(0,1) (𝑥)

𝑋−𝜇
= 𝑃 (−3 ≤ ≤ 3) ≅ 1 [𝑠𝑖 𝑋~𝑁(0; 1)] 1 3
𝜎 C ? F(x)= FR de x et 𝑃 ( < 𝑋 < )
4 4
𝜇 = 𝐸 (𝑋)𝑒𝑡 𝜎 = √𝑉(𝑋) Puis tchébichev donc il faut E(X) et V(X)

+∞
𝑂𝑟 𝑃 (−3𝜎 + 𝜇 ≤ 𝑋 ≤ 𝜇 + 3𝜎) ∫ 𝑓(𝑥) 𝑑𝑥 = 1
−∞
t Cas général 1
= ∫ 𝑐𝑥(1 − 𝑥)𝑑𝑥
𝜎2 8 0
𝑃(0 ≤ |𝑋 − 𝜇| ≤ 3𝜎) ≥ 1 − 2 = = 90% 1
9𝜎 9 ⟺ ∫ (𝑥 − 𝑥 2 )𝑑𝑥 = 1
0
Exercice n°2 : 1 1
⟺𝑐[ − ] =1⟺ 𝑐 =6
+∞ 1 2 3
2
𝐸 (𝑋) = ∫ 𝑥2𝑥 𝟏(0;1)(𝑥) = ∫ 2𝑥 2 𝑑𝑥 = 0 𝑠𝑖 𝑥 < 0
−∞ 0 3 𝑥
1 𝐹 (𝑥) = {6 ∫ (𝑡 − 𝑡 2 )𝑑𝑡
2 1 0
𝐸 (𝑋2 ) = ∫ 𝑥 2 2𝑥𝑑𝑥 = = 1 𝑠𝑖 𝑥 > 1
0 4 2
30
0 𝑠𝑖 𝑥 < 0 On vérifie que 22/32 est plus grand que 0,20

𝑥2 𝑥3 sinon erreur.
= {6 [ − ] 𝑠𝑖 𝑥 ∈ (0; 1)
2 3
1 𝑠𝑖 𝑥 > 1 22/32 = 2/3, inégalité pas précise.
1 3 3 1 Inég imprécise quand minorant est petit.
𝑃( < 𝑋 < ) = 𝐹( ) −𝐹( )
4 4 4 4
2 3 2
3 3 1 1 3 22
= 3 ( ) − 2 ( ) − [3 ( ) − 2 ( ) ] =
4 4 4 4 32
V) Covariance : Moment d’un
vecteur aléatoire
Généralités :
Un vecteur aléatoire est un vecteur dont les

composants sont des variables aléatoires :
Déf :
𝑥1
3 1 𝑥 2 𝑎𝑣𝑒𝑐 𝑥1 … 𝑑𝑒𝑠 𝑉𝐴
𝐹( ) = 1−𝐹( ) 𝑋=
4 4 …
1 3 1 5 𝑥
𝑃 ( < 𝑥 < ) = 1 − 2𝐹 ( ) = 1 − 2 ( ) ( 𝑛)
4 4 4 32 𝑋
𝑛 = 2, ( ) 𝑣𝑒𝑐𝑡𝑒𝑢𝑟
1 𝑌
⟺ (𝑋, 𝑌)𝑐𝑜𝑢𝑝𝑙𝑒
∗ 𝐸 (𝑋) = 6 ∫ 𝑥 2 (1 − 𝑥) 𝑑𝑥
0
1
1 1
= 6 ∫ (𝑥 2 − 𝑥 3 )𝑑𝑥 = 6 [ − ]
0 3 4
A) Covariance entre 2 VA X et Y :
1
1 1 3
∗ 𝐸 (𝑋2 ) = 6 ∫ (𝑥 3 − 𝑥 4 ) = 6 [ − ] = (𝑋, 𝑌) 𝑐𝑜𝑢𝑝𝑙𝑒
0 4 5 10
1) Déf de COV(X,Y) :
3 1 2 1
∗ 𝑉 (𝑋) = 𝐸 (𝑋2 ) − 𝐸 2 (𝑋) = −( ) =
10 2 20
Déf :
1 3
𝑃( ≤ 𝑥 ≤ ) 𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸((𝑋 − 𝐸(𝑋)(𝑌 − 𝐸(𝑌) )
4 4 𝑉 (𝑋 + 𝑌) − [𝑉 (𝑋) + 𝑉 (𝑌)]
1 1 3 1 =
= 𝑃 ( − ≤ 𝑋 − 𝐸 (𝑋) ≤ − ) 2
4 2 4 2 = 𝐸 (𝑋𝑌) − 𝐸 (𝑋)𝐸 (𝑌)
1 1
= 𝑃 (− ≤ 𝑋 − 𝐸 (𝑋) ≤ )
4 4
1
1 20
= 𝑃 (|𝑋 − 𝐸 (𝑋)| ≤ ) ≥ 1 − 1 = 20%
4
16
31
𝐶𝑂𝑉(𝑋; 𝑌) = 𝐸[𝑋 − 𝐸(𝑋)][𝑌 − 𝐸 (𝑌)] = 4𝑉 (𝑋) + 9𝑉 (𝑌) − 122𝐶𝑂𝑉 (𝑋; 𝑌)

𝑉 (𝑋 + 𝑌) − [𝑉 (𝑋) + 𝑉(𝑌)]
(= ) ∗ 𝑉(−𝑋 + 5𝑌) = 𝑉 (𝑋) + 25𝑉 (𝑌)
2
− 10𝐶𝑂𝑉(𝑋; 𝑌)
= 𝐸(𝑋𝑌) − 𝐸 (𝑋)𝐸(𝑌)
∗ 𝐶𝑂𝑉(𝑋 − 2𝑌; 3𝑋 + 4)
𝐶𝑂𝑉(𝑋; 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋)𝐸(𝑌)
= 3𝐶𝑂𝑉 (𝑋; 𝑋) − 6𝐶𝑂𝑉 (𝑋; 𝑌)
= 3𝑉 (𝑋) − 6𝐶𝑂𝑉 (𝑋; 𝑌)
∗ 𝐶𝑂𝑉 (−2𝑋 + 𝑌; −𝑋 − 𝑌)
𝑉 (𝑋 + 𝑌) = 𝐸[((𝑋 + 𝑌) − 𝐸(𝑋 + 𝑌))²] = 2𝐶𝑂𝑉 (𝑋; 𝑋) + 2𝐶𝑂𝑉(𝑋; 𝑌)
= 𝐸 [[𝑋 + 𝑌 − 𝐸 (𝑋) − 𝐸 (𝑌)] 2 ] − 𝐶𝑂𝑉 (𝑌; 𝑋) − 𝐶𝑂𝑉(𝑌; 𝑌)
2
= 𝐸 [ [(𝑋 − 𝐸 (𝑋)) + (𝑌 − 𝐸 (𝑌))] ] = 2𝑉 (𝑋) + 𝐶𝑂𝑉(𝑋; 𝑌) − 𝑉(𝑌)
2 2
= 𝐸 [(𝑋 − 𝐸( 𝑋)) + (𝑌 − 𝐸( 𝑌 )) + 2(𝑋 − 𝐸( 𝑋))(𝑌 − 𝐸( 𝑋))]
= 𝐸[( 𝑋 − 𝐸( 𝑋) 2] + 2 𝐸(𝑋 − 𝐸( 𝑋))(𝑌 − 𝐸( 𝑌 ))

2
+ 𝐸 [(𝑌 − 𝐸( 𝑌 )) ] Correction du TD n°6 :
V(X) COV(X,Y) V(Y)
Exo 1 : 𝑃(𝜇 − 3𝜎 ≤ 𝑋 ≤ 𝜇 + 3𝜎)
X quelconque :
𝐶𝑂𝑉(𝑋; 𝑌) = 𝐸 [𝑋 − 𝐸 (𝑋)][𝑌 − 𝐸(𝑌)]
𝑃(𝜇 − 3𝜎 ≤ 𝑋 ≤ 𝜇 + 3𝜎)
= 𝐸[𝑋𝑌 − 𝑋𝐸(𝑌) − 𝑌𝐸 (𝑋) + 𝐸 (𝑋)𝐸(𝑌)
𝑋−𝜇
= (𝐸 (𝑋𝑌 ) − 𝐸 (𝑌) 𝐸 (𝑋 ) − 𝐸 (𝑋) 𝐸 (𝑌) + 𝐸 (𝑋) 𝐸(𝑌) ⟺ 𝑃 (3 ≤ ≤ 3) ≅ 1𝑠 (𝑆𝑖 𝑋~𝑁(0; 1))
𝜎
𝜎2 8
𝑃(0 ≤ |𝑋 − 𝜇| ≤ 3𝜎) ≥ 1 − 2 = ≅ 90%
9𝜎 9
2) Proposition :
La VOC est de la forme bilinéaire symétrique Exo 1 du TD 6 :

associée à V +∞ 1
2
𝐸 (𝑋) = ∫ 𝑥 2𝑥 𝟏(0;1) (𝑥) = ∫ 2𝑥 2 =
𝐶𝑂𝑉(𝑋, 𝑋) = 𝑉(𝑋) −∞ 0 3
1
𝐶𝑂𝑉(𝑋, 𝑌) = 𝐶𝑂𝑉(𝑌, 𝑋)(𝑠𝑦𝑚é𝑡𝑟𝑖𝑒) 2 1
𝐸 (𝑋2 ) = ∫ 𝑥 2 2𝑥 𝑑𝑥 = =
𝐶𝑂𝑉(𝛼1 𝑥1 + 𝛼2 𝑥2 ; 𝜆1 𝑦1 + 𝜆2 𝑦2 ) 0 4 2
𝛼1 𝜆1 𝐶𝑂𝑉(𝑥1 ; 𝑦1 ) + 𝛼1 𝜆2 𝐶𝑂𝑉(𝑥1 ,𝑦2 ) 1 4 1

𝑉 (𝑋) = 𝐸( 𝑋2 ) − 𝐸 2 (𝑋) = − =
+𝛼2 𝜆1 𝐶𝑂𝑉 (𝑥2 ;𝑦1 ) + 𝛼2 𝜆2 𝐶𝑂𝑉(𝑥2 ; 𝑦2 ) 2 5 18
1
=Bilinéarité 18
𝑃(|𝑋 − 𝐸 (𝑋)| ≤ 2) ≥ 1 − = 98,6%
4
𝐶𝑜𝑣(𝑋 + 𝛼; 𝑌 + 𝛽) = 𝐶𝑂𝑉(𝑋; 𝑌) Calcul exact de 𝑃 (|𝑋 − 𝐸(𝑋)| ≤ 2)
= 𝑃(−2 ≤ 𝑋 − 𝐸 (𝑋) ≤ 2)
Exercice : V(2X-3Y)
4 8
= 𝑃 (− ≤ 𝑥 ≤ ) = 1
𝐶𝑂𝑉(2𝑋 − 3𝑌; 2𝑋 − 3𝑌) 3 3
= 𝐶𝑂𝑉(2𝑋; 2𝑋) + 𝐶𝑂𝑉 (2𝑋−; 3𝑌) 0 𝑠𝑖 𝑥 < 0
+𝐶𝑂𝑉(−3𝑌; 2𝑋) + 𝐶𝑂𝑉(−3𝑌; −3𝑌) 𝑥 0
𝐹 (𝑋) = {2 ∫ 𝑡 𝑑𝑡 𝑠𝑖 𝑥 ∈ (0; 1) = {𝑥²
0 1
= 4𝐶𝑂𝑉(𝑋; 𝑌) − 6𝐶𝑂𝑉 (𝑋; 𝑌) − 6𝐶𝑂𝑉(𝑌, 𝑋) 1 𝑠𝑖 𝑥 > 1
+9𝐶𝑂𝑉(𝑌; 𝑌)
32
Exo 2 (hors TD) B) Moments principaux d’un

1 3 vecteur aléatoire :
𝐹 (𝑥) = 𝑐 𝑥(1 − 𝑥)𝟏( 0;1)(𝑥) 𝑃 ( < 𝑥 < ) ?
4 4
𝑥1
+∞ 1 𝑥2
∫ 𝑓 (𝑥)𝑑𝑥 = 1 = ∫ 𝑐 𝑥 (1 − 𝑥) 𝑑𝑥 𝑆𝑜𝑖𝑡 𝑋 = …
−∞ 0 𝑥𝑛
( )
1
⟺ 𝑐 ∫ (𝑥 − 𝑥 2 )𝑑𝑥 = 1 ⟺ 𝑐 = 6
0 𝐸 ( 𝑥1 )
0 𝑠𝑖 𝑥 < 0 ∗ 𝑉𝑒𝑐𝑡𝑒𝑢𝑟 𝑚𝑜𝑦𝑒𝑛:𝐸 (𝑋) = 𝐸(𝑥 2 )
𝑥 …
𝐹 (𝑥) = {6 ∫ (𝑡 − 𝑡 2 )𝑑𝑡 𝑠𝑖 𝑥 ∈ (0; 1) (𝐸 (𝑥 𝑛))
0
1 𝑠𝑖 𝑥 > 1 ∗ 𝑀𝑎𝑡𝑟𝑖𝑐𝑒 𝑑𝑒𝑠 𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒𝑠 (𝑑𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒𝑠
0 − 𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒𝑠):
𝑥2 𝑥3
𝐹 (𝑋) {6 ∗ [ − ] 𝑉(𝑥1 )𝐶𝑂𝑉(𝑥1 ,𝑥 2 )⋯𝐶𝑂𝑉(𝑥1 ,𝑥 𝑛 )
2 3
𝑉(𝑥 2 )
1 𝑉 (𝑋) = ( ⋱ )
1 3 3 1
𝑃( < 𝑥 < ) = 𝐹( )−𝐹( ) 𝑉(𝑥 𝑛)
4 4 4 4
3 2 3 3 1 2 1 3 Matrice symétrique : n x n
= 3 ∗ ( ) − 2 ( ) − [3 ( ) − 2 ( ) ]
4 4 4 4
𝑛2 − 𝑛
1
1 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝐶𝑂𝑉 ≠ ∶
2
𝐸 (𝑋) = 6 ∫ 𝑥²(1 − 𝑥) =
0 2
1
3 𝑉 (𝑋) = (𝐶𝑂𝑉(𝑋𝑖 ; 𝑋𝑗 ))
1≤𝑖,𝑗≤𝑛
𝐸 (𝑋2 ) = 6 ∫ 𝑥 3 − 𝑥 4 =
{ 0 10
Exemple :
2
3 1
𝑉 (𝑋) = 𝐸(𝑋) = 𝐸(𝑋2 ) − 𝐸 2 (𝑋) = −( ) 𝑋 𝐸 (𝑋)
10 2 𝑋 = ( ) 𝐸 (𝑋) = ( )
1 𝑌 𝐸(𝑌)
= 𝑉(𝑋) ∗ 𝐶𝑂𝑉(𝑋; 𝑌)
20 𝑒𝑡 𝑉(𝑋) = ( )
𝐶𝑂𝑉(𝑌; 𝑋) ∗ 𝑉(𝑌)
1 3
𝑃( ≤ 𝑥 ≤ )
4 4
1 1 3 1
= 𝑃 ( − ≤ 𝑋 − 𝐸 (𝑋) ≤ − ) TD n°6, Exercice n°2 :
4 2 4 2
1 1
= 𝑃 (− ≤ 𝑋 − 𝐸 (𝑋) ≤ ) 1) U et V de même loi
4 4
1 𝑋 = 𝑈 + 𝑉 𝑒𝑡 𝑌 = 𝑈 − 𝑉
20
= 1 − 1 = 20%
𝐶𝑂𝑉(𝑋; 𝑌) = 𝐶𝑂𝑉(𝑈 + 𝑉; 𝑈 − 𝑉)
10 = 𝑉 (𝑈) − 𝐶𝑂𝑉(𝑈; 𝑉) + 𝐶𝑂𝑉(𝑉; 𝑈) − 𝑉 (𝑉)
=
33
𝑋 1 Ingégalités de Cauchy-Schartz :
3) X,Y,Z, 𝑋 = (𝑌 ) 𝐸 (𝑋) = ( 0 )
𝑍 −1
2 −1 1/2 |𝐶𝑂𝑉(𝑋; 𝑌)| ≤ √𝑉(𝑋)𝑉 (𝑌)
( ) (
𝑉 𝑋 = −1 3 1 )
1/2 1 1 Démo : 𝑉[𝑌 + 𝜆𝑥]
𝑈 = 2𝑋 − 𝑌 + 3𝑥 2 + 1 = 𝑉 (𝑌) + 𝜆2 𝑉(𝑋) + 2𝜆𝑉(𝑋) + 2𝜆𝐶𝑂𝑉(𝑋; 𝑌)
𝐸 (𝑈)𝑒𝑡 𝑉 (𝑈)?
𝑃(𝜆) = 𝜆2 𝑉(𝑋) + 𝜆[2𝐶𝑂𝑉(𝑋; 𝑌)] + 𝑉 (𝑌)
𝐸 (𝑈) = 2 − 3 + 1 = 0 ≥0
𝑉 (𝑈) = 𝐶𝑂𝑉(2𝑋 − 𝑌 + 3𝑍; 2𝑋 − 𝑌 + 3𝑍) Discriminant de l’équation : 𝑃(𝜆) = 0
= 𝑉 (2𝑋 − 𝑌 + 3𝑍)
∆= 4𝐶𝑂𝑉 2 (𝑋; 𝑌) − 4𝑉(𝑋)𝑉 (𝑌) ≤ 0
= 4𝑉 (𝑋) + 𝑉 (𝑌) + 9𝑉 (𝑍) − 4𝐶𝑂𝑉 (𝑋; 𝑌)
+12𝐶𝑂𝑉(𝑋, 𝑍) − 6𝐶𝑂𝑉(𝑌; 𝑍) ⟺ 𝐶𝑂𝑉2 (𝑋; 𝑌) ≤ 𝑉 (𝑋) 𝑉 (𝑌)
𝑅𝑒𝑚𝑎𝑟𝑞𝑢𝑒: 𝑉 (𝑋) = 0 ⟺ 𝑋 = 𝑐𝑡𝑒
1
= 6 + 3 + 98 − 4(−1) + 12 ( ) − 6(1)
2
= 24
Exercice n°1 :
C) Coefficient de corrélation : 𝑋
𝑋=( ) {
𝐸 (𝑋) = −1 −1
=> 𝐸 (𝑋) = ( )
𝑌 𝐸 (𝑌) = 0 0
𝐶𝑂𝑉 (𝑋; 𝑌) 𝐶𝑂𝑉(𝑋; 𝑌)
𝑝 = 𝑝 (𝑋; 𝑌) = = 1 −1
√𝑉 (𝑋)𝑉 (𝑌) 𝜎(𝑋)𝜎(𝑌) 𝑉 (𝑋) = ( )
−1 4
𝑈 = 3𝑋² − 2𝑋𝑌 + 𝑌2 𝐸 (𝑈) ?
La corrélation mesure le degréde relation
linéaire entre deux V.A Solution :
Propositions : 𝐸 [𝑈] = 3𝐸 (𝑋2 ) − 2𝐸 (𝑋𝑌) + 𝐸 (𝑌2 )

∗ −1 ≤ 𝑝(𝑋; 𝑌) ≤ 1 𝑉(𝑋) = 𝐸 (𝑋2 ) − 𝐸 2 (𝑋)
∗ 0 ≤ |𝑝(𝑋; 𝑌)| ≤ 1 {
𝑉(𝑌) = 𝐸 (𝑌2 ) − 𝐸 2 (𝑌)
∗ |𝑝(𝑋; 𝑌)| = 1 ⟺ 𝑌 = 𝑎𝑋 + 𝑏 𝑒𝑡 𝐶𝑂𝑉(𝑋; 𝑌) = 𝐸(𝑋𝑌 − 𝐸(𝑋)𝐸(𝑌)
∗ 𝑝=1 →𝑎 >0 D’où :
∗ 𝑝 = −1 → 𝑎 < 0 𝐸 [𝑈] = 3 (𝑉(𝑋) + 𝐸 2 (𝑋))

Déf : −2(𝐶𝑂𝑉(𝑋; 𝑌) + 𝐸 (𝑋)𝐸(𝑌))
X et Y non corrélées ⟺ 𝑝 (𝑋; 𝑌) = 0 +(𝑉(𝑌) + 𝐸 2 (𝑌))
Propositions :𝑋 ⊥ 𝑌 => 𝑝(𝑋 ; 𝑌) = 0 = 3 ∗ 2 − 2(−1) + 4 = 12
𝑅𝑎𝑝𝑝𝑒𝑙:
𝑝(𝑋; 𝑌) = 0 ⟺ 𝐶𝑂𝑉(𝑋; 𝑌) = 0
⟺ 𝐸 (𝑋𝑌) = 𝐸(𝑋)𝐸 (𝑌)
⟺ 𝑉 (𝑋 + 𝑌) = 𝑉 (𝑋) + 𝑉(𝑌)
34
Exercice n°2 : Exercice n°4:
𝑋 Question 3) de l’exo 2 du TD n°6

𝑋 = (𝑌 ) 𝐸(𝑋) = (−2; 1; −1)
𝑍
1 0 −1 𝑥
𝑉 (𝑋) = ( 0 1 −1) 𝑦
−1 −1 4 𝑧
𝑈 = 2𝑋 − 3𝑌 + 𝑍 + 𝑐
𝑄𝑢𝑒 𝑑𝑜𝑖𝑡 𝑣𝑎𝑙𝑜𝑖𝑟 𝑐 𝑝𝑜𝑢𝑟 𝑞𝑢𝑒 𝑈 𝑠𝑜𝑖𝑡 𝑐𝑒𝑛𝑡𝑟é𝑒 ?
Solution :
On cherche c tq : 𝐸 [𝑈] = 0 Correction du TD n°5 :

𝑈 = 2𝑋 − 3𝑌 + 𝑍 + 𝑐
2 BR et m BN
𝐸 [𝑈] = 2𝐸 (𝑋) − 3𝐸 (𝑌) + 𝐸(𝑍) + 𝑐
𝐸 [𝑈] = −8 + 𝑐 a) 3 Boules avec remise
o Expérience Identiques
𝑉 (𝑈) = 𝑉 (2𝑋 − 3𝑌 + 𝑍)
o _________________ ⊥
= 𝐶𝑂𝑉(2𝑋 − 3𝑌 + 𝑍; 2𝑋 − 3𝑌 + 𝑍)
= 𝐶𝑂𝑉(2𝑋; 2𝑋) + 𝐶𝑂𝑉(2𝑋; 3𝑌) A chacune de ces 3 expériences, je suis dans le
+𝐶𝑂𝑉(2𝑋; 𝑍) + 𝐶𝑂𝑉(−3𝑌; 2𝑋) scéma de Bernouilli : Succès (BR)
+𝐶𝑂𝑉(−3𝑌; −3𝑌) + 𝐶𝑂𝑉 (−3𝑌; 𝑍)
2
+𝐶𝑂𝑉(𝑍, 2𝑋) + 𝐶𝑂𝑉(𝑍; −3𝑌) 𝑝=
𝑚+2
+𝐶𝑂𝑉(𝑍; 𝑍)
= 4𝑉 (𝑋) + 9𝑉 (𝑌) + 𝑉 (𝑍) − 12𝐶𝑂𝑉 (𝑋; 𝑌) Echec (BN)
+4𝐶𝑂𝑉(𝑋; 𝑍) − 6𝐶𝑂𝑉(𝑌; 𝑍)
2
= 4 + 9 + 4 − 4 + 6 = 19 𝑋~𝐵(3, )
𝑛+2
6
Exercice n°3 : 𝐸 (𝑋) = = 1,2 ⟺ 𝑚 = 3
𝑚+2
𝑋~𝑁(0; 1), 𝑌 = 𝑋² 𝑀𝑞 𝑝(𝑋; 𝑌) = 0 2 3 18
𝑉 (𝑋) = 3 ∗ ∗ = = 0,72
5 5 25
Solution :
Sans remise : RNNRN
𝐸 (𝑋) = 0 𝐸 (𝑌) = 1 𝑉 (𝑋) = 1 𝑉(𝑌) = 2
𝑌~χ2 (1)
+∞ 1 2 3
𝑥 3 −𝑥 2
𝐸 (𝑋𝑌) = 𝐸[ 𝑋3 ] = ∫ 𝑒 2 =0 Y 3 3 1
−∞ √2𝜋
5 10 10
𝐶𝑂𝑉 (𝑋; 𝑌) 𝐸 (𝑋𝑌)
𝐸 (𝑋; 𝑌) = = − 𝐸 (𝑋)𝐸 (𝑌)
√2 √2 3
=0 𝑃(𝑌 = 1) =
5
𝑃(𝑌 = 2) = 𝑃 (1è𝑟𝑒 𝐵 = 𝑅 𝑒𝑡 2è𝑚𝑒 = 𝑁)
= 𝑃 (2è𝑚𝑒 𝑁\1è𝑟𝑒 𝑅) 𝑃(1è𝑟𝑒 𝑅)
3 2 3
= ∗ =
4 5 10
𝑃(𝑌 = 3) = 𝑃 (1è𝑟𝑒 𝐵 = 𝑅 𝑒𝑡 2è𝑚𝑒 = 𝑅 )
35
= 𝑃 (2è𝑚𝑒 𝑅\1è𝑟𝑒 𝑅 ) 𝑃 (1è𝑟𝑒 𝑅) 𝐶>0 𝐸[𝑋] = 2

1 2 1 𝑎>0
= ∗ =
4 5 10
𝐸 (𝑌) = 1,5 a et C :
6
𝐸 (𝑌2 ) = 12 ∗ + 22 ∗ 4 + 32 = 2,7 𝐸 [𝑋] = 2
10
𝑢 1
𝐸(𝑌) 𝑢 = 𝑎𝑥 <=> 𝑥 = => 𝑥 ′ (𝑢) =
] => = 𝐸 (𝑌2 ) − 𝐸 2 (𝑌) = 0,45 𝑎 𝑎
𝐸 (𝑌2 ) +∞
( )
∫ 𝐶 𝑥 exp −𝑎𝑥 𝑑𝑥 = 1
0
+∞
𝑢 𝐶 𝐶
∫ 𝑐∗ 2 ∗ exp(−𝑢) 𝑑𝑢 = 2 𝑃(2) = 2 =
0 𝑎 𝑎 𝑎
Exercice n°2 :
𝑋: 𝑓 (𝑥) = 2𝑥 exp(−𝑥 2 ) 𝟏ℝ+ (𝑥) +∞

𝐸 [𝑋] = ∫ 𝐶 ∗ 𝑥 2 ∗ exp (−𝑎𝑥) 𝑑𝑥 = 2
( 2) ′ +∞ 0
+∞
𝐸 [𝑋𝛼 ] ⇒ = 𝐸 [𝜑(𝑋)] = ∫ 𝑥 𝛼 2𝑥 exp( −𝑥 2 ) 𝟏ℝ+ (𝑥) 𝐶 𝐶
−∞ =∫ 3 ∗ 𝑢2 exp(−𝑢) 𝑑𝑢 = 3 ∗ 2 ; 𝐶 = 𝑎 3
0 𝑎 𝑎
𝛼>0 𝜑(𝑋) = 𝑋𝛼
+∞
= 2∫ 𝑥 𝛼+1 exp(−𝑥 2 ) 𝑑𝑥
[ −∞
𝑈 = 𝑎𝑋 𝑔(𝑢) = 𝐷𝑒𝑛𝑠𝑖𝑡é 𝑑𝑒 𝑢
1 𝑢= 𝑥 2 : 𝐵𝑖𝑗𝑒𝑐𝑡𝑖𝑓 𝑑𝑒 𝑅 + 𝑠𝑢𝑟 𝑅 + 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝑢) = ℝ+
𝑢 1
1 1 𝑢 = 𝑎𝑥 2 𝑥 = => 3 |𝑥 ′(𝑢)| =
⟺ 2 𝑥 = √𝑢 = 𝑢 2 𝑎 𝑎
1 1 𝑢 1
=> 3 𝑥(𝑢) = 𝑢−2 4 𝑔(𝑢) = 𝐶 ∗ ∗ exp(−𝑢) ∗ ∗ 𝟏ℝ+ (𝑢)
2 𝑎 𝑎
𝛼+1 𝐶
+∞
𝑢 2 exp (−𝑢 ) + 1 1 = 2 ∗ 𝑢 ∗ exp(−𝑢) 𝟏ℝ+ (𝑢)
4 𝐸 [𝑋𝛼 ] = 2∫ ∗ 𝑢 −2 𝑎
0 2 𝑈~𝛾2
+∞ 𝛼
𝛼 𝐶 1
𝐸 [𝑋𝛼 ] ∫ 𝑢2 exp(−𝑢) 𝑑𝑢 = 𝑃 ( + 1) 𝐾= 2= = 1 <=> 𝑎² = 𝑐
0 2 𝑎 𝛤 (2)
+∞
𝑃(𝜆) = ∫ 𝑥 𝜆−1 exp (−𝑥) 𝐸 [𝑢] = 2 = 𝐸 [𝑎𝑋] = 𝑎 𝐸[𝑋]
−∞
𝛼 𝑎 = 1 𝑒𝑡 𝑐 = 1
𝐸[𝑋𝛼 ] = 𝑃 (1 + )
[ 2
𝐸 [𝑋2 ] = 𝑃(2) = 1(= 2 − 1)
Espérance de Racine carré :
𝑉 (𝑋2 ) = 𝐸 (𝑋4 ) − 𝐸 2 (𝑋2 )
𝐸 [𝑋4 ] = 𝑃 (3) = 2! 𝑈~𝛾2
( 2) ′ 1 +∞ 1
𝑉 (𝑋2 ) = 2 − 1 = 1 𝐸 ( √ 𝑥) ⇒ 𝐸 [ 𝑋 2 ] = ∫ 𝑥2 ∗ 𝑥 exp(−𝑥) 𝑑𝑥
0
+∞ 3
5
∫ 𝑥2 ∗ exp(−𝑥) 𝑑𝑥 = 𝛤 ( )
0 2
3 3 3 3 1
= 𝛤 ( + 1) = 𝛤 ( ) = 𝛤 (1 + )
𝑋: 𝑓 (𝑥) = 𝐶 𝑥 exp (−𝑎𝑥) 𝟏ℝ+ (𝑥) 2 2 2 2 2
3 1 1 3
= ∗ 𝛤 ( ) = √𝜋 = 1,329
2 2 2 4
36
𝐸 (√𝑥) = 1,329
√𝐸 (𝑋) = √2 = 1,414
𝐸 (√𝑥) ≤ √𝐸 (𝑋)
𝑉 (√𝑥) = 𝐸 (𝑋) − 𝐸 2(√𝑥 ) ≥ 0
<=> √𝐸 (𝑋) ≥ 𝐸 (√𝑥)
Durée et modalités :
QCM
∗ 𝐶 𝑥 𝑦 𝟏(0;1)∗( 0;3)(𝑥, 𝑦)
V) Rappel :
Densité conjointe d’un couple continu :
𝑓(𝑥, 𝑦) = 𝑔(𝑥, 𝑦)𝟏𝐷 (𝑥, 𝑦)

Symétrie pour (X,Y) :
𝑓(𝑥, 𝑦) = 𝑓(𝑦, 𝑥) : ∀𝑥, 𝑦 ∈ ℝ2

𝑔(𝑥, 𝑦) = 𝑔 (𝑦, 𝑥)
⟺{
𝐷 𝑠𝑦𝑚é𝑡𝑟𝑖𝑞𝑢𝑒 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡 à 𝑦 = 𝑥
𝑋 ⊥ 𝑌:
⟺ 𝑓 (𝑥, 𝑦) = 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦): ∀(𝑥, 𝑦) ∈ ℝ2

𝑔 (𝑥, 𝑦) = ℎ (𝑥) 𝑙(𝑦)
⟺{
𝐷 𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑙𝑒 = (𝑎, 𝑏) ∗ (𝑐, 𝑑)
𝑓(𝑥, 𝑦) =
∗ 𝐶 𝑥 2 𝑦 𝟏(0;1)∗(0;1)(𝑥, 𝑦) ∗ 𝐶 𝑥 2 𝑦 2 𝑒 −(𝑥+𝑦)𝟏ℝ+∗ℝ+ (𝑥, 𝑦)
∗ 𝐶 𝑥 𝑦 𝟏(0;1)∗(0;1)(𝑥, 𝑦)
∗ 𝐶 𝑥 𝟏( 0;1)∗( 0;1)(𝑥, 𝑦)
∗ 𝐶 𝟏(0;1)∗(0;1)(𝑥, 𝑦)
37
∗ 𝐶 ( 𝑥 2 + 𝑦 2 )𝑒 −(𝑥+𝑦)𝟏ℝ+∗ℝ+ (𝑥, 𝑦)
∗ 𝐶 (𝑥 2 + 𝑦 2 )𝑒 −(𝑥+𝑦)𝟏𝐷(𝑥, 𝑦)
∗ 𝐶(𝑥 2 𝑦 2 )𝑒 −(𝑥+𝑦)𝟏𝐷(𝑥, 𝑦)
𝐷 = |(𝑥, 𝑦) ∈ ℝ2 , 0 ≤ 𝑥 ≤ 1 𝑥 2 ≤ 𝑦 ≤/√𝑥
𝐷 = |(𝑥, 𝑦) ∈ ℝ2 : 0 ≤ 𝑦 ≤ 1 𝑒𝑡 𝑦 2 ≤ 𝑥 ≤ 1
𝐷𝑒𝑛𝑠𝑖𝑡é 𝑚𝑎𝑟𝑔𝑖𝑛𝑎𝑙𝑒 𝑑𝑒 𝑋:
Support de (X)=(0 ;1)

+∞ +∞
𝑓𝑋 (𝑥) = ∫ 𝑓 (𝑥, 𝑦) 𝑑𝑦 = ∫ 𝐶𝑥 𝟏𝐷 (𝑥, 𝑦)
−∞ −∞
𝐷 = |(𝑥, 𝑦) ∈ ℝ2 : 0 ≤ 𝑦 ≤ 1 +∞
𝑦² ≤ 𝑥 ≤ √𝑦 = 𝐶𝑥 ∫ 𝑑𝑦
−∞
𝑓𝑋 (𝑥) = 𝐶𝑥 √𝑥 𝟏𝐷 (𝑥)
III) Techniques de calculs :
𝐷𝑒𝑛𝑠𝑖𝑡é 𝑑𝑒 𝑌:
(𝑋, 𝑌) 𝐶𝑜𝑛𝑡𝑖𝑛𝑢 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑡é: 𝑓(𝑥, 𝑦)
Support de (Y)=(0 ;1)
Cas discret :
∀𝑦 𝑓𝑖𝑥é ∈ (0,1) : 𝑓𝑌 (𝑦)
Y X X Loi de Y +∞ 1
𝑃𝑥,𝑦 = ∑ 𝑃𝑥,𝑦 =∫ 𝑓(𝑥, 𝑦) 𝑑𝑥 = ∫ 𝐶𝑥 𝑑𝑥

Y 𝑃𝑥,𝑦 −∞ 𝑦²
𝑥
Loi de X 𝑃0 = ∑ 𝑃𝑥,𝑦
𝑦
𝐷 = {(𝑥, 𝑦) ∈ ℝ2 : 0 ≤ 𝑦 ≤ 1 𝑒𝑡 𝑦 2 ≤ 𝑥 ≤ 1}
𝑐 𝑐
Cas continu 𝑓𝑌 (𝑦) = [𝑥 2 ]1𝑦2 = [1 − 𝑦 4 ]𝟏( 0;2)(𝑦)
2 2
3
Y X X Loi de Y 𝑋: 𝑓𝑋(𝑥) = 𝐶 𝑥 2 𝟏( 0;1)(𝑥)
+∞
∫ 𝑓 (𝑥, 𝑦)𝑑𝑥 𝐶
Y 𝑓(𝑥, 𝑦) [1 − 𝑦 4 ]𝟏( 0;1)(𝑦)
−∞ 𝑌: 𝑓𝑌 (𝑦) =
= 𝑓𝑦 (𝑦) 2
1
Loi de X 𝑓𝑋 (𝑥) 𝐶 ? ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = 1 ⟺
+∞
0
=∫ 𝑓(𝑥, 𝑦)𝑑𝑦 1
−∞
3 1 5
∫ 𝐶 𝑥 2 𝑑𝑥 = 1 ⟺ 𝐶 ∗ =1⟺ 𝐶 =
0 5 2
2
𝐷𝑒𝑛𝑠𝑖𝑡é 𝑑𝑒 𝑋 𝑙𝑜𝑖 𝑑𝑒 𝑋 1 √𝑥
𝑆𝑖 𝑠𝑦𝑚é𝑡𝑟𝑖𝑒 => [ [
𝐷𝑒𝑛𝑠𝑖𝑡é 𝑑𝑒 𝑌 = 𝐿𝑜𝑖 𝑑𝑒 𝑌 = ∫ [∫ 𝐶𝑥𝑑𝑦]𝑑𝑥 = ∬ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1
0 0 𝐷
38
Exo 1 :
5
𝑓(𝑥, 𝑦) = 𝑥 𝟏𝐷 (𝑥, 𝑦)
5 2
𝑓(𝑥, 𝑦) = 𝑥 𝟏𝐷 (𝑥, 𝑦)
2
5 3
𝑓𝑋 (𝑥) = 𝑥 2 𝟏(0,1) (𝑥)
2
5 3 5
𝑋: 𝑓𝑋 (𝑥) = 𝑥 2 𝟏(0;1)(𝑥) 𝑓𝑌 (𝑦) = (1 − 𝑦 4 ) 𝟏(0,1)(𝑦)
2 4
𝑌: 𝑓𝑌 (𝑦) 5 5
𝐸 (𝑋) = 𝑒𝑡 𝐸 (𝑌) =
7 12
5
= [1 − 𝑦 4 ]𝟏(0;1) (𝑦) ∬ 𝑓 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦 = 1 𝑉(𝑋) = 0,0,45
4 𝐷
1 1 √𝑥 𝑉(𝑋) = 0,064
= ∫ [∫ 𝐶𝑥 𝑑𝑥] 𝑑𝑦 = ∫ [∫ 𝐶𝑥𝑑𝑦] 𝑑𝑥 * Loi conditionelle de
𝑦2 0 0
1
= ∬ 𝑓 (𝑥, 𝑦)𝑑𝑥 𝑑𝑦 = 1 𝑋|𝑌 = 𝑦0 = 𝑦0
3
𝐷 1 1
Densité de X|Y = [ ; 1]
3 9
5
1 𝑓 (𝑥, 𝑦0 ) ( ∗ 𝑥)
5 5
2
𝑓 (𝑥|𝑦0 = ) = = 2
𝑉 (𝑋) = 𝐸( 𝑋2 ) − 𝐸 2 (𝑋) = − ( ) = 0,045 3 𝑓𝑌 (𝑦0 ) 5 (1 − 𝑦 4 )
9 7 4 0
5 81
𝑋: 𝐸 (𝑋) = = + 𝑥 ∗ 𝟏(1,1) (𝑥)
[ 7 40 9
5 1
𝐸 (𝑋2 ) = ∗ 𝑑𝑒 𝑌|𝑋 = 𝑥 0 (𝑥 0 − ) :
9 3
𝑉 (𝑌) = 𝐸 (𝑌2 ) − 𝐸 2 (𝑌) = 0,064 5
( ∗ 𝑥) 3
5 𝑓( 𝑦|𝑥0) = 2 3 = 𝑥02 . 𝟏(0,√20) (𝑦)
𝑌: 𝐸 (𝑌) =
[ 12 5
5 ∗ 𝑥2
2 0
𝐸 (𝑌2 ) =
21 = √3 . 𝟏 1 (𝑥)
(0,√ )
3
+∞ 1
5 5
𝐸 (𝑋) = ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥 𝐶𝑂𝑉 (𝑋, 𝑌)
−∞ 0 2 𝜑(𝑋, 𝑌) =
√𝑉 (𝑋)𝑉(𝑌)
𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋)𝐸 (𝑌)
5
𝐸 (𝑋𝑌) = ∫ ∫ 𝑥𝑦 𝑥 𝟏𝐷 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦
ℝ ℝ 2
5 2
𝐸 (𝑋𝑌) = ∬ ∗ 𝑥 𝑦 𝑑𝑥 𝑑𝑦
( 𝑥,𝑦) ∈𝐷 2
1 √𝑥
5 2
= ∫ [∫ 𝑥 𝑦 𝑑𝑦] 𝑑𝑥 =
0 0 2
1 1
5 2
= ∫ [∫ 𝑥 𝑦 𝑑𝑦] 𝑑𝑥
0 𝑦² 2
39
5 𝑦2 1 1
[ ]= ∗ 𝑥 2 [ ]√0 2 𝐿𝑜𝑖 𝑑𝑒 𝑌|𝑋 = 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (0, )
2 2 2 2
1 2
𝑓 (𝑦| ) = ( )
2 1 = 2 𝟏(0;12) 𝑦
1 2 (1 − )
5 5 2
𝐸 (𝑋𝑌) = ∫ ∗ 𝑥 3 + 𝑑𝑥 = 𝑌|𝑋 = 𝑥0 ~𝑈(0,1 − 𝑥 0)
0 4 16
5 5 5 2 1
𝐶𝑂𝑉(𝑋, 𝑌) = − ∗ = 0,015 𝑓( 𝑦|𝑥0) = = 𝟏( ) (𝑦)
16 4 12 2(1 − 𝑥 0 ) 1 − 𝑥 0 0;1−𝑥 0
0,015 1
1
𝜑(𝑋, 𝑌) = = 0,028 𝐸 (𝑋) = 𝐸 (𝑌) = ∫ 𝑥 ∗ 2(1 − 𝑥)𝑑𝑥 =
√0,045 ∗ 0,064 0 3
1
1
𝐸 (𝑋2 ) = 𝐸 (𝑌2 ) = ∫ 𝑥 2 ∗ 2(1 − 𝑥)𝑑𝑥 =
0 6
Exo 1 : (autre exo je sais pas ou) 1 1 1
𝑉 (𝑋) = 𝑉(𝑌) = − =
6 9 18
𝑓(𝑥, 𝑦) = 𝐶 ∗ 𝟏𝐷 (𝑥, 𝑦) 1 1−𝑥
𝐸 (𝑋𝑌) = ∫ [∫ 𝑥𝑦 ∗ 2 𝑑𝑦] 𝑑𝑥
Il y a symétrie et ya pas indépendance. 0 0
(𝑥, 𝑦) ∈ ℝ2 : 0 ≤ 𝑥 ≤ 1 1 2 1 1
𝐷={ } = − + =
𝑒𝑡 0 ≤ 𝑦 ≤ 1 − 𝑥 2 3 4 12
1−𝑥
1
= {(𝑥, 𝑦) ∈ ℝ2 , 0 ≤ 𝑦 ≤ 1 0 ≤ 𝑥 ≤ 1 − 𝑦} [ ] = 2𝑥 ∫ 𝑦 𝑑𝑦 = 2𝑥 ∗ ∗ (1 − 𝑥) 2
0 2
1 1 1
𝐶𝑂𝑉(𝑋, 𝑌) = − =
12 9 36
1
(− )
=> 𝜑(𝑋, 𝑌) = 36
1
18
𝐸𝑥𝑜 3:
𝑓(𝑥, 𝑦) = 𝐶 𝟏𝐷 (𝑥, 𝑦)
𝐷 = {(𝑥, 𝑦) ∈ ℝ2 : 𝑥 ≥ 0 𝑒𝑡 0 < 𝑦 ≤ 𝑒 −𝑥 }
= {(𝑥, 𝑦) ∈ ℝ2 : 𝑦 ∈]0,1] 𝑒𝑡 0 ≤ 𝑥 ≤ −ln(𝑦)}
1−𝑥
𝑋: 𝑓𝑋 (𝑥) = ∫ 𝐶 𝑑𝑦 (∀𝑥 ∈ (0,1) 𝑓𝑖𝑥é)
0
= 𝐶(1 − 𝑥) 𝟏(0,1) (𝑥)
𝑓𝑌 (𝑦) = 𝐶(1 − 𝑦) 𝟏(0,1) (𝑦)

C?
1
1
∫ 𝐶 (1 − 𝑥) 𝑑𝑥 = 1 ⟺ 𝐶 [1 − ] = 1
0 2
⟺ 𝐶=2
Une loi uniforme dans R 2 c’est 1/ la surface

fois l’indicatrice du domaine.
40
+∞ +∞
𝑋: 𝑓𝑋 (𝑥) = ∫−∞ 𝑓 (𝑥, 𝑦) 𝑑𝑦 = ∫−∞ 𝐶 𝟏𝐷 (𝑥, 𝑦) 𝑃𝑒𝑡𝑖𝑡 𝑟𝑎𝑝𝑝𝑒𝑙 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑔𝑎𝑚𝑚𝑎:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋) = ℝ+ +∞
𝑒−𝑥 𝑃(𝑛 + 1) = 𝑛 ! = ∫ 𝑥 𝑛 𝑒 −𝑥 𝑑𝑥
=∫ 𝐶 𝑑𝑦 = 𝐶 𝑒 −𝑥 𝟏ℝ+(𝑥) 0
0 +∞
∗ ∫ 2𝑦 3 𝑒 −𝑥 𝑑𝑥 = 4𝑦 3
1 0
=1 +∞
𝑃(1) ∗ ∫ (2𝑥𝑦 + 3𝑦 2 )𝑒 −𝑦 𝑑𝑦 = 2𝑥 + 6
𝑋~𝐸𝑥 𝑝( 1) = 𝛾1 0
+∞
𝛾
(𝐸𝑥𝑝 (𝛾) = 1 ) ∗ ∫ (𝑦 3 𝑥 2 + 2𝑦 2 𝑥 3 + 5𝑥) 𝑒 −𝑥 𝑑𝑥
𝛾 0
−ln(𝑦) = 2𝑦 3 + 12𝑦 2 + 5
𝑌: 𝑓𝑌 (𝑦) = ∫ 𝐶 𝑑𝑥 = −ln(𝑦) 𝟏(0,1)(𝑦) +∞
0 ∗ ∫ (5𝑥 3 𝑦 + 1)𝑒 −𝑦 𝑑𝑦 = 5𝑥 3 + 1
0
+∞
∗ ∫ (𝑥 4 𝑦 2 + 2𝑥 3 𝑦 + 6)𝑒 −𝑦
0
𝐸𝑥𝑜 4:
= 2𝑥 4 + 2𝑥 3 + 6
+∞
𝑓(𝑥, 𝑦) = 𝐶(𝑥 2 𝑦 + 𝑦 2 𝑥)𝑒 −(𝑥+𝑦)ℝ+
∗ ∫ (𝑥 4 𝑦 2 + 2𝑥 2 + 6)𝑒 −𝑥 𝑑𝑥
∗ ℝ+ (𝑥, 𝑦) 0
𝐸 (𝑋𝑛 ) = = 24𝑦² + 10
𝑎𝑣𝑒𝑐 𝑛 ∈ ℕ∗
41
Récupérer le cours du mercredi 20/11
𝑓(𝑥, 𝑦) = 𝑐(𝑥 2 𝑦 + 𝑦 2 𝑥)𝑒 −(𝑥+𝑦) ∗ 𝟏𝐷 (𝑥, 𝑦) 𝑥0 = 0
𝐷 = ℝ+ xℝ+ 𝑦 2 𝑒 −𝑦
𝑓( 𝑦|0) = 𝟏𝐷(0;+∞)(𝑦)
2
𝛾3 𝑃(3) = 2!
𝑛 ∈ ℕ∗
𝐸 (𝑋𝑛 ) = 𝐸 (𝑌𝑛 )
+∞ 𝑛
𝑥
∫ (𝑥 2 + 2𝑥)𝑒 −𝑥 𝑑𝑥
0 4
1 +∞
𝐸 (𝑋𝑛 ) = ∫ (𝑥 𝑛+2 + 2𝑥 𝑛+1 )𝑒 −𝑥 𝑑𝑥
4 0
1
= [(𝑛 + 2)! + 2(𝑛 + 1)! ] 𝑛 + 1 𝑒𝑛 𝑓𝑎𝑐𝑡𝑒𝑢𝑟
𝑓(𝑥, 𝑦) = 𝑐 𝑥𝑦 [𝑥 + 𝑦) 𝑒 −(𝑥+𝑦) 𝟏ℝ+xℝ+ (𝑥,𝑦) 4
1
= (𝑛 + 1)! [𝑛 + 2 + 2]
𝐿𝑜𝑖 𝑑𝑒 𝑋 = 𝐿𝑜𝑖 𝑑𝑒 𝑌 4
+∞
𝑋: 𝑓 (𝑥) = ∫ 𝑐(𝑥 2 𝑦 + 𝑦 2 𝑥)𝑒 −(𝑥+𝑦)𝑑𝑦 1
0 = (𝑛 + 1)! [𝑛 + 4]
+∞ 4
= 𝑐𝑥 𝑒 −𝑥 ∫ (𝑥𝑦 + 𝑦 2 )𝑒 −𝑦 𝑑𝑦
0 5
= 𝑐𝑥𝑒 −𝑥 [𝑥 + 2] = 𝑐( 𝑥 2 + 2𝑥) 𝑒 −𝑥 𝟏(0,+∞)(𝑥) 𝑛 = 1 => 𝐸 [𝑋] = 𝐸[𝑌] =
{ 2
+∞ 𝑛 = 2 => 𝐸[ 𝑋2 ] = 𝐸[ 𝑌2 ] = 9
𝑷(𝒏 + 𝟏) = ∫ 𝒙𝒏 𝒆−𝒙 = 𝒏!
𝟎
11
𝑉 (𝑋) = 𝑉 (𝑌) =
1 4
𝑓𝑋 (𝑥) = (𝑥 2 + 2𝑥)𝑒 −𝑥 𝟏ℝ+(𝑥) +∞ +∞
4 1 (𝑥+𝑦 )
1 𝐸 (𝑋𝑌) = ∫ [∫ 𝑥𝑦 (𝑥 2 𝑦 + 𝑦 2 𝑥) 𝑒 − ]
4
𝑓𝑌 (𝑥) = (𝑦² + 2𝑦) 𝑒 −𝑥 𝟏ℝ+(𝑦) 0 0
4 +∞
1
+∞ [ ] = 𝑥 2 𝑒 −𝑥 ∫ (𝑥𝑦 2 + 𝑦 3 )𝑒 −𝑦
4 0
𝑐? ∫ 𝑓(𝑥)𝑑𝑥 = 1
0 1
+∞ = 𝑥 2 𝑒 −𝑥 [2𝑥 + 6]
𝑐∫ (𝑥 2 + 2𝑥) 𝑒 −𝑥 𝑑𝑥 = 1 <=> 𝑐(2 + 2) 4
0 1 +∞
1 𝐸 (𝑋𝑌) = ∫ (2𝑥 3 + 6𝑥 2 )𝑒 −𝑥 𝑑𝑥
= 1 𝑑𝑜𝑛𝑐 𝑐 = 4 0
4
1
= 𝑥 2 𝑒 −𝑥 [2𝑥 + 6]
4
25 1
𝑌 𝐶𝑂𝑉 (𝑋; 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋)𝐸 (𝑌) = 6 − =−
= 𝑥 0: 𝑆𝑈𝑃𝑃𝑂𝑅𝑇 = ℝ+ 4 4
𝑋
1 2 𝐶𝑂𝑉(𝑋, 𝑌) 1
(𝑥 0 𝑦 + 𝑦 2𝑥 0 )𝑒 −(𝑥 0+𝑦) 𝑃 (𝑋, 𝑌) = =−
𝑓(𝑦|𝑥0 ) = 4 √𝑉 2 (𝑋) 11
1 2
( 𝑥 + 2𝑥0 )𝑒 −𝑥0
4 0
(𝑥 0 𝑦 + 𝑦 2 )𝑒 −( 𝑦)
= 𝟏(0;+∞)(𝑦)
𝑥0 + 2
42
CHAPITRE N°5 : SUITE COUPLE CONTINUS

CALCULS DE PROBABILITE
Rappel : Soit X : V.A continue de densité

𝑓(𝑥) 𝑠𝑢𝑝𝑝𝑜𝑟𝑡 = 𝐷
Remarque :
𝐴 (= (𝑎, 𝑏)) ⊂ 𝐷 𝐹 = 𝐹. 𝑅 𝑑𝑒 𝑋.
∗ 𝑃(𝑋 ∈ 𝐴 ) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) 𝑃((𝑋, 𝑌) ∈ 𝐴 ) = 𝑃 ((𝑋,𝑌) ∈ 𝐴 ′ ∩ 𝐷)
= 𝐹 (𝑏) − 𝐹(𝑎)
𝑏
= ∫ 𝑓(𝑥) 𝑑𝑥
𝑎
Dans R² soit (𝑋, 𝑌) un couple continu de Déf : Loi uniforme sur D⊂ ℝ²
densité conjointe : 𝑓 (𝑥, 𝑦) (de support D ⊂ R²)
Rappel : UNIFORME sur(a,b) ⊂ ℝ
(𝐷 = {(𝑥, 𝑦) : 𝑓 (𝑥, 𝑦) > 0}) 1
𝟏( )(𝑥)
Soit 𝐴 ⊂ 𝐷: 𝑏 − 𝑎 𝑎;𝑏
Soit :
(𝑋; 𝑌)~𝑈𝐷 𝑠𝑎 𝑑𝑒𝑛𝑠𝑖𝑡é 𝑐𝑜𝑛𝑗𝑜𝑖𝑛𝑡𝑒:
𝑓(𝑥, 𝑦) = 𝑐𝟏𝐷 (𝑥, 𝑦)
1
𝐷 ⊂ ℝ2 𝑐 =
𝑆(𝐷)
∬ 𝑓 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1
Soit 𝐴 ⊂ 𝐷 : 𝐷
𝑃((𝑋, 𝑌) ∈ 𝐴 ) = ∬ 𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦 <=> 𝑐 ∬ 𝑑𝑥 𝑑𝑦 = 1 <=> 𝐶 ∗ 𝑆(𝐷) = 1

𝐴 𝐷
∗ 𝑃(𝑋 ∈ 𝐴 ) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) 𝑆 (𝐴 )
𝑃((𝑋, 𝑌) ∈ 𝐴 ) = 𝑎𝑣𝑒𝑐 𝐴 ⊂ 𝐷
𝑆(𝐷)
= 𝐹 (𝑏) − 𝐹(𝑎)
𝑏 1 1 𝑆 (𝐴 )
∬ 𝑑𝑥 𝑑𝑦 = ∬ 𝑑𝑥 𝑑𝑦 =
= ∫ 𝑓(𝑥) 𝑑𝑥 𝐴 𝑆(𝐷) 𝑆(𝐷) 𝐴 𝑆(𝐷)
𝑎
= ∫ 𝑓(𝑥) 𝑑𝑥 = 𝑃(𝑋 ∈ 𝐴)
𝐴
43
𝑆𝑜𝑖𝑡 𝑢𝑛 𝑐𝑜𝑢𝑝𝑙𝑒 (𝑋, 𝑌)𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑡é 𝑐𝑜𝑛𝑗𝑜𝑖𝑛𝑡𝑒 (𝑋, 𝑌) (𝑥, 𝑦) ∈ ℝ2 : 0 ≤ 𝑦 ≤ 1

1
[ ( )]
𝑦 𝐴 = 1 − 𝑦 ≤ 𝑥 ≤ 1 𝑦 ∈ 0; 2
𝑓(𝑥, 𝑦) = 4 ∗ ∗ 𝟏𝐷 (𝑥, 𝑦)
𝑥 1
[𝑦 ∈ ( ; 1)]
2
= {(𝑥, 𝑦) ∈ ℝ : 0 ≤ 𝑦 ≤ 1 𝑒𝑡 1 ≥ 𝑥 ≥ 𝑦} {𝑦 ≤ 𝑥 ≤ 1 2 }
= {(𝑥, 𝑦) ∈ ℝ2 : 0 < 𝑥 ≤ 1 𝑒𝑡 0 ≤ 𝑦 ≤ 𝑥} « La transitivité en économie est un axiome

Faux »
𝑃(𝑋 + 𝑌 > 1) = 𝑃 ((𝑋, 𝑌) ∈ 𝐴 )

1 𝑥
4𝑦 4𝑦
=∬ = ∫1 [∫ 𝑑𝑦] 𝑑𝑥
𝐴 𝑥 1−𝑥 𝑥
2
4 𝑥
[ ] = ∫ 𝑦 𝑑𝑦
𝑥 1−𝑥
4 1 2𝑥 2
= ∗ [ 𝑦 ]1−𝑥 = 4 −
𝑥 2 𝑥
𝑂𝑛 𝑟𝑒𝑣𝑖𝑒𝑛𝑡 𝑎 𝑙𝑎 𝑑𝑜𝑢𝑏𝑙𝑒 𝑖𝑛𝑡é𝑔𝑟𝑎𝑙𝑒:
1
4𝑦 2
=∬ = ∫1 (4 − )
𝐴 𝑥 𝑥
2
1 1
𝑃(𝑋 + 𝑌 > 1) = 𝑃 ((𝑋, 𝑌) ∈ 𝐴 ) = 4 ∗ − 2[ ln 𝑥] 11 = 2 + 2 ln ( )
2 2 2
4𝑦 (
= 2 − 2 ln 2)
=∬ 𝑑𝑥 𝑑𝑦
𝐴 𝑥 = 0,614
𝑃(𝑋 + 𝑌 < 1) = 0,386

𝑙𝑎 𝑝𝑟𝑜𝑏𝑎 𝑞𝑢𝑒 𝑋, 𝑌 ∈ 𝐷?
𝑃((𝑋, 𝑌) ∈ 𝐷)
𝐵
= {(𝑥, 𝑦) ∈ ℝ2 : 𝑦 > 1 − 𝑥} 𝑒𝑡 𝐴 = 𝐷 ∩ 𝐵
Et :
2
1
( )
𝐴 = { 𝑥, 𝑦 ∈ ℝ : 2 ≤ 𝑥 ≤ 1 }
1− 𝑥 ≤ 𝑦 ≤ 𝑥
44
Rapppel :
(𝑥, 𝑦) ∈ ℝ2 , 𝑎 ≤ 𝑥 ≤ 𝑏,
𝐸={ } 𝐸 ∈ ℝ2
𝑦1 (𝑥) ≤ 𝑦 ≤ 𝑦2 (𝑥)
1
≤𝑥≤ 1
2
[1 − 𝑥 ≤ 𝑦 ≤ 𝑥]
(𝑥, 𝑦) ∈ 𝐷: 𝑥 ≥ 0
𝐴={ }
0≤𝑦≤ 𝑥
4𝑦 (𝑥, 𝑦) ∈ ℝ2 : 𝑦 ≥ 0
𝐹 (𝑥, 𝑦) = ∗ 𝟏𝐷 (𝑥, 𝑦) ={ }
𝑥>𝑦≥ 0
𝑥
𝑏 𝑦2( 𝑥 ) 𝑃(𝑋 > 𝑌) = ∬ 𝑓 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦
∬ 𝑔 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦 = ∫ [∫ 𝑔(𝑥, 𝑦)𝑑𝑦] 𝑑𝑥 +∞ 𝑥
𝐴
𝐸 𝑎 𝑦1 ( 𝑥)
=∫ [∫ 𝑓(𝑥, 𝑦) 𝑑𝑦] 𝑑𝑥
Cas particulier : 0 0
𝑥
1 𝑛 −(𝑥+𝑦) 𝑥 𝑛 −𝑥 𝑥
𝑏 ∫ 𝑥 𝑒 𝑑𝑦 = 𝑒 [−𝑒 −𝑦 ]
𝑔(𝑥, 𝑦) = 1; ∬ 𝑑𝑥𝑑𝑦 = ∫ [ 𝑦2 (𝑥) − 𝑦1 (𝑥)] 0 𝑛! 𝑛! 0
𝐸 𝑎 𝑥 𝑛
= 𝑆(𝐸) = [𝑒 −𝑥 − 𝑒 −2𝑥 ]
𝑛!
+∞ +∞ 𝑛
𝑛! 𝑥
𝐼𝑛 = ∫ 𝑥 𝑛 𝑒 −2𝑥 = ∫ [𝑒 −𝑥 − 𝑒 −2𝑥 ]𝑑𝑥
0 2𝑛+1 0 𝑛!
𝑋~𝛾𝑛+1 +∞ 𝑛 −𝑥
𝑥 𝑒 +∞ 𝑛
𝑥
𝑋 ⊥ 𝑌 𝑎𝑣𝑒𝑐 { 𝑃 (𝑋 > 𝑌) =∫ 𝑑𝑥 − ∫ 𝑒 −2𝑥 𝑑𝑥
𝑌~𝛾1 𝑛! 𝑛!
0 0
𝑓(𝑥, 𝑦) = 𝑓𝑋 (𝑥)𝑓𝑌(𝑦)
1
1 𝐷 ′ 𝑜ù 𝑃(𝑋 > 𝑌) = 1 −
= 𝑥 𝑛 − 𝑒 −( 𝑥+𝑦) 𝟏ℝ+xℝ+ (𝑥, 𝑦) 2𝑛−1
𝑛! 𝑒𝑡 𝑃 𝑋 ≤ 𝑌 = 𝑃 𝑋 < 𝑌)
( ) (
1
𝑓𝑋 (𝑥) = 𝑥 𝑛 𝑒 −𝑥 𝟏ℝ+(𝑥) 1
𝛤 (𝑛 + 1) = 1 − 𝑃(𝑋 > 𝑌) = 𝑛+1
2
𝑓𝑌 (𝑦) = 𝑒 −𝑦 𝟏ℝ+ (𝑦)
45
Exercice n°2 :
𝑋~𝑈(0,1): 𝑓𝑋 (𝑥) = 𝟏(0,1)(𝑥) 𝐺 (𝑢)

⊥{ 0 𝑠𝑖 𝑢 ≤ 𝑥
𝑌~𝑈(0,1): 𝑓𝑌 (𝑦) = 𝟏(0,1) (𝑦
𝑢2
𝑆(𝐴 𝑢 ) = 𝑠𝑖 𝑢 ∈ (0; 1)
𝑓 (𝑥, 𝑦) = 𝟏(0,1)x(0,1) (𝑥, 𝑦) = 2
1
𝑆 (𝐴 𝑢 ) = 1 − (2 − 𝑢) 2 𝑠𝑖 𝑢 ∈ (1; 2)
2
{ 1 𝑠𝑖 𝑢 ≥ 2
𝑔(𝑢) = 𝐺 ′ (𝑢)
0 𝑠𝑖 𝑢 ≤ 0
𝑢 𝑠𝑖 𝑢 ∈ (0; 1)
𝑔(𝑢) = { }
2− 𝑢 𝑠𝑖 𝑢 ∈ (1; 2)
0 𝑠𝑖 𝑢 ≥ 2
𝑔(𝑢) = 𝑢𝟏(0,1) (𝑢) + (2 − 𝑢)𝟏(1;2)(𝑢)
𝑈 = 𝑋 + 𝑌 𝑒𝑡 𝑆𝑈𝑃𝑃𝑂𝑅𝑇(𝑈) = (0; 2)
Fonction de répartition de U :
𝐺 (𝑈) = 𝑃(𝑈 ≤ 𝑢) = 𝑃(𝑋 + 𝑌 ≤ 𝑢)
0 𝑠𝑖 𝑢 ≤ 0
( )
𝐺 𝑈 ={ 𝑠𝑖 𝑢 ∈ (0,2)
1 𝑠𝑖 𝑢 ≥ 2
𝑢 𝑓𝑖𝑥é ∈ (0; 2): 𝑃 (𝑋 + 𝑌 ≤ 𝑢)

= 𝑃((𝑋; 𝑌) ∈ 𝐴 𝑢 )
𝑋+𝑌 ≤ 𝑢 ⇔𝑌 ≤ 𝑢− 𝑋
𝐴 𝑢 = {(𝑥; 𝑦) ∈ 𝐷, 𝑦 ≤ 𝑢 − 𝑥} = {(𝑥; 𝑦) ∈ ℝ2 :
𝑦∶ 𝑢−𝑥 = 1 ⇔ 𝑥 = 𝑢−1
1 − (𝑢 − 1) = 2 − 𝑢
46
TD 8 : Exercice n°1
(𝑋, 𝑌) : 𝑓(𝑥, 𝑦) ∗ ∗ 𝐸[(𝑌 − 𝑋) 2 ] 𝑔(𝑋, 𝑌) = (𝑌 − 𝑋) 2

𝑒𝑡 ∆∶ 𝑠𝑢𝑝𝑜𝑜𝑟𝑡(𝑋, 𝑌)
= {(𝑥, 𝑦) ∈ ℝ2 , 𝑓 (𝑥, 𝑦) > 0} 𝐸 ((𝑌 − 𝑋)2 )
1 +∞
= ∫ [∫ (𝑦 − 𝑥) 2 12(𝑦 − 𝑥) −3 ] 𝑑𝑥
−∞ 2
𝐸 (𝑔(𝑋, 𝑌)) = ∬ 𝑔 (𝑥, 𝑦) 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 1 +∞
ℝ2
= ∫ [∫ 12(𝑦 − 𝑥) −3 ] 𝑑𝑥
Soit 𝐴 ⊂ ℝ2 𝑒𝑡 𝐴 ⊂ ∆ −∞ 2
1
𝑃((𝑋, 𝑌) ∈ 𝐴 ) = ∬ 𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦 = 17 ∫ (𝑦 − 𝑥) −3 𝑑𝑦
𝐴 −∞
+∞
∗ 𝑓 (𝑥, 𝑦) = 3 𝟏𝐷 (𝑥, 𝑦) (𝑦 − 𝑥) −2
(𝑥, 𝑦) , 0 ≤ 𝑥 ≤ 1 𝑒𝑡 = −12 [− ]
∆= { } 2 2
2𝑥(1 − 𝑥) ≤ 𝑦 ≤ 4(1 − 𝑥)
D’où :
1
𝐸 ((𝑌 − 𝑋)2 ) = ∫ 6 (2 − 𝑥) −2 𝑑𝑥
−∞
1
= ∫ 6(𝑥 − 2) −2 𝑑𝑥 = 6[−(𝑥 − 2) −1 ]1−∞
−∞
=6
𝑋~𝑈(0,1)
∗[ ]⊥
𝑌~𝑈(0,2)
1
𝑓(𝑥, 𝑦) = 𝟏(0,1) (𝑥) 𝟏( 0,2) (𝑦)
2
𝑃(𝑋 ⊂ 𝑌) = 𝑃((𝑥, 𝑌) ∈ 𝐴 )
(𝑥, 𝑦) ∈ ℝ2 , 0 ≤ 𝑥 ≤ 1
𝐸 (𝑋, 𝑌) = ∬ 𝑥𝑦 𝑓 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦 𝐴={ }
ℝ2
𝑒𝑡 𝑥 ≤ 𝑦 ≤ 2
1 4𝑥 ( 1−𝑥) (𝑥, 𝑦) ∈ ℝ2 , 0 ≤ 𝑦 ≤ 2
= ∫ [∫ 𝑥𝑦 𝑑𝑦] 𝑑𝑥 𝐴={ 0≤𝑥≤𝑦 }
0 2𝑥 ( 1−𝑥 )
4𝑥( 1−𝑥)
0≤𝑥≤1
4𝑥 ( 1−𝑥)
𝑦2
[ ]=𝑥∫ 𝑦 𝑑𝑦 = 𝑥 [ ]
2𝑥 ( 1−𝑥 ) 2 2𝑥( 1−𝑥)
𝑥 2
= [4𝑥(1 − 𝑥) 2 − (2𝑥(1 − 𝑥)) ]
2
3𝑥 2
= [2𝑥(1 − 𝑥)) = 6𝑥 3 (1 − 𝑥) 3
2
𝐸 (𝑋, 𝑌) = ∬ 𝑥𝑦 𝑓 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦
ℝ2
1
= 18 ∫ 𝑥 3 (1 − 𝑥) 2 𝑑𝑥
0
1
3
= 18 ∫ (𝑥 3 − 2𝑥 4 + 𝑥 5 ) 𝑑𝑥 =
0 10
47
1 1
2 𝑃(𝑌 ⊂ 𝑋) = 𝑃((𝑋, 𝑌) ∈ 𝐴 )
𝐸 (𝑋) = ∫ 𝑥 ∗ 𝑓𝑋 (𝑥) = ∫ 2𝑥 2 𝑑𝑥 =
0 0 3 𝐴 = {(𝑥, 𝑦) ∈ ℝ2 𝑥 ∈ ℝ+ , 0 < 𝑦 < 𝑥}
𝑒𝑡 𝐸(𝑋2 ) = 9/2 𝑃(𝑌 < 𝑋) = ∬ 𝑓 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦

𝐴
+∞ 𝑥
1
→ 𝑉 (𝑋) = 𝐸 (𝑋2 ) − 𝐸 2 (𝑋) = =∫ [∫ 𝑥𝑒 −(𝑥+𝑦)𝑑𝑦] 𝑑𝑥
18 0 0
𝑥
1
4 [ ] = 𝑥 𝑒 −𝑥 ∫ 𝑒 −𝑦 𝑑𝑦 = 𝑥𝑒 −𝑥 [−𝑒 −𝑦 ]𝑥0
𝐸 (𝑌) = ∫ −4𝑦 2 ln(𝑦) 𝑑𝑦 = 4 𝐼2 = 0
0 9
1 = 𝑥𝑒 −𝑥 − 𝑥𝑒 −2𝑥
1 +∞
𝐸 (𝑌2 ) = ∫ −4𝑦 3 ln(𝑦) 𝑑𝑦 = 4 𝐼3 =
[ 0 4 𝐷 ′ 𝑜ù 𝑃(𝑌 < 𝑋) = ∫ 𝑥𝑒 −𝑥 𝑥𝑒 −2𝑥 𝑑𝑥
0
17
𝐴𝑖𝑛𝑠𝑖, 𝑉(𝑌) = 1 3
324 = 1− =
4 4
4𝑦
𝑓(𝑥, 𝑦) = 𝟏 (𝑥, 𝑦)
𝑥 𝐷 𝑢 = 𝑥+𝑦 𝑥 = 𝑢−𝑣
1 𝑥 𝑈 = 𝑋+𝑌
4𝑦 { 1 { 𝑣=𝑦 ⇒ 2 { 𝑦=𝑣
𝐸 (𝑋𝑌) = ∫ [∫ 𝑥𝑦 ( ) 𝑑𝑦] 𝑑𝑥 𝑉=𝑌
0 0 𝑥
∆(𝑥, 𝑦)
𝑥
𝑦 𝑥
4𝑥 3 ∆= ℝ+ ∗ ℝ+ ⇒ 3 | |= ||1−1|| = 1
[ ] = ∫ (𝑥𝑦) 4 𝑑𝑦 = ∫ 4𝑦 2 𝑑𝑦 = ∆(𝑢, 𝑣) 0 1
𝑥 3 ( ) 2
∆= { 𝑢, 𝑣 ∈ ℝ , 0 ≤ 𝑢 ≤ +∞}
0 0
1 3
4𝑥 1 0≤𝑣<𝑢
𝐷 ′ 𝑜ù 𝐸(𝑋𝑌) = ∫ 𝑑𝑥 =
0 3 3
1 4 𝑔(𝑢, 𝑣) = 𝑓 (𝑢 − 𝑣, 𝑣)
𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋)𝐸 (𝑌) = = (𝑢 − 𝑣)𝑒 −𝑢 𝟏ℝ+∗ℝ+ (𝑢, 𝑣)
27
𝑒𝑡 𝑒(𝑋, 𝑌) = 0,69 = (𝑢 − 𝑣) 𝑒 −𝑢 𝟏∆ (𝑢,𝑣)
𝑀𝐺 27𝑌 − 18𝑋 𝑒𝑡 𝑋 𝑠𝑜𝑛𝑡 𝑐𝑜𝑟𝑟é𝑙é𝑒𝑠
Tapez une équation ici.
⟺ 𝑀𝑔 𝐶𝑂𝑉 (27𝑌 − 18𝑋; 𝑋) = 0
⟺ 27𝐶𝑂𝑉 (𝑌, 𝑋) − 18𝐶𝑂𝑉(𝑋, 𝑋) = 0
⟺1 −1 = 0
TD 9 Exercice n°1 :
𝑋: 𝑓𝑋 (𝑥) = 𝑥 𝑒 −𝑥 𝟏(0,+∞)(𝑥): 𝛾2
[⊥
𝑌: 𝑓𝑌 (𝑦) = 𝑒 −𝑦 𝟏(0,+∞)(𝑦): 𝛾1 =exp(1)
𝑓(𝑥, 𝑦) = 𝑥𝑒 −(𝑥+𝑦)𝟏ℝ+∗ℝ+ (𝑥, 𝑦)
48
∆= ℝ+ ∗ ℝ+ 𝑢 = 𝑥+𝑦
𝑈 = 𝑋+𝑌 𝑥
{ 𝑋 1 { 𝑣=
𝑉= 𝑦
𝑌
𝑢𝑣
𝑥=
⟺ 2{ 1 +𝑣
𝑢
𝑦=
1 +𝑣
𝑣 𝑢
∆(𝑥, 𝑦) ||1 + 𝑣 (𝑢 + 𝑣) 2 |
⇒ 3| |= |
∆(𝑢, 𝑣) | 1 𝑢 |
−
𝑢+𝑣 (1 + 𝑣)²
𝑢 𝑢
= |− |−
(1 + 𝑣) 2 (1 + 𝑣) 2
𝑢𝑣 −𝑢 𝑢
4 𝑔 (𝑢, 𝑣) = 𝑒 ∗
1+𝑣 (1 + 𝑣) 2
𝑢2 𝑣
= 𝑒 −𝑢 𝟏ℝ+∗ℝ+ (𝑢, 𝑣)
(1 + 𝑣) 3
𝑈⊥𝑉
1 2𝑣
𝑔(𝑢, 𝑣) = 𝑢2 𝑒 −𝑢 𝟏ℝ+(𝑢) ∗ 𝟏 + (𝑣)
2 (1 + 𝑣) 2 ℝ
= 𝑔𝑈 (𝑢) ∗ 𝑔𝑉 (𝑣)
49

Proba S3 Complet Copie

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Proba S3 Complet Copie

Diunggah oleh

Hak Cipta:

Format Tersedia

©G. Malzac – Probabilité Elementaire, ©G.

Malzac -- Probabilité Elementaire,

PROBABILITES B) La tribu des évènements : a

Exemple : ø = évènement impossible. ø ∈ a

- Expérience : jeter un dé à 6 faces,

L’espace (Ω, a, p) est la structure sur laquelle

C’est l’ensemble de toutes les issues possibles - Ω = {1, 2, 3, 4, 5, 6} Card (Ω)=6

* A/∪ A2 … ∪ An = ∑𝑛𝑖=1 𝐴i se réalise au moins C) Probabilité :

un des Ai se réalise. Déf : On appelle P une loi de probabilité sur

* A1 ∩A2∩…∩An = A1 A2 … An se réalise tous Additivité :

o B = « 0 succès » (4) A∩B =ø P(A+B) = P(A) + P(B)

Exercice: B) Les dénombrements de base :

A) Espaces de probabilités finis 2) Les permutations :

A ∈ a. P(A) ? Card (Ω)= n 𝑃𝑛 = 𝑛! = 𝐴𝑛𝑛 = 𝐴𝑛−1

𝑘 C’est le nombre de sous-ensemble de k

Marche aléatoire, 1 – P(« 2BB ») = P(« au + 1BB »)

Solution : (32) 2) 32 cartes, 8 cartes en vrac :

M boules blanches et N – M boules noires.

L’expérience consiste à trier en vrac ( sans 3) 12 personnes : 8F et 4H. On fait

Quelle est la probabilité d’avoir k En tirant au hasard 6 membres parmi 12,

Les groupes ont un président et une III) Probabilités

P(A/B) = P(A) A et B sont ⊥

P(AB) = P(A) P(B)

P(A/B) P(B) = P(B/A) P(A) = P(AB)

Théorême des probas totales : Probabilité qu’elle vienne de l’urne 1 ?

𝐵 = 𝐵Ω = ∑ 𝐵𝐴 𝑖 => 𝑃 (𝐵) = ∑ 𝑃(𝐵𝐴 𝑖 )

𝑃(𝐵\𝐴 𝑖 )𝑃(𝐴 𝑖) P(I)= 1/1000 (I = Incendie)

Probabilité d’une fausse alerte ?

Un joueur choisit au hasatd une urne,

Il tire une boule dans cette urne, elle est

IV) Rappels d’analyse : B) Une limite :

1) Série géométrique : Indications pour la démo :

U0 ; un= x nu0 1 200

Développable en série entière. Propriétés :

2) Intégration par changement de Correction complète TD n°1 :

variable bijectif : Exercice n°1 :

1) u= u(x) bijectif a) 8 Piques 8 trèfles 8 carreaux 8 cœurs

𝑃(𝐴 𝑒𝑡 𝑉) = 𝑃 (𝐴 ) + 𝑃(𝑉) − 𝑃(𝐴 + 𝑉)

Une V.A généralise la notion d’événement. Les

Si X(Ω) fini ou infini dénombrable : X V.A di s crète

Si X(Ω)= ℝ ou (a ; b)⊂ ℝ, X est continue.

Exemple A : On jette 2 fois une pièce.

Ω= { (P,P), (F,F), (P,F), (F,P) }

Jet d’un dé à 6 faces :

𝐴=̅ « IMPAIR »= {1, 3, 5}

P(X=0) = ½ P(X=1)= ½ = 𝑃(𝑥 < 𝑥 0) + 𝑃(𝑥 = 𝑥 0)

A) Fonction de répartition : B) V.A.R discrètes :

𝐹𝑥 (𝑥) = 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) 𝑥 𝑥 0 𝑥1 𝑥 2 𝑥3 … 𝑥𝑛

C) V.A continues : En pratique, une densité de probabilité va

« f » s’appelle la densité de probabilité Support de x| Partie foncti°lle de la densité

Propriétés de f : densité 𝑓(𝑥) = 𝐶𝑥 7 1(0;1) (𝑥)

→ 𝐷é𝑓𝑖𝑛𝑖𝑒 𝑠𝑢𝑟 ℝ 1) Calcul de C ?

Rappel du cas discret :

II) V.A fondamentales C) Loi binomiale :

q … p On tire sur la cible=> Probabilité toucher =

(𝑛𝑖)(𝑁−𝑀 ) N raisins, m parts.

max(0, 𝑛 − (𝑁 − 𝑀)) ≤ 𝑖 ≤ min (𝑛, 𝑀) Pour un grain,

D) Loi de Poisson : Exercice n°2 :

Remarque : utile nb de pannes/accidents

𝑛 𝑔𝑟𝑎𝑛𝑑 ≥ 100 𝑒𝑡 𝑝 𝑝𝑒𝑡𝑖𝑡 ≤ 0,01

𝐷𝑜𝑛𝑐 𝑃(2 ≤ 𝑋 ≤ 5) = 𝐹λ (5) − 𝑃(𝑋 ≤ 2)

III) V.A continues C) Loi Gamma :

B) Loi exponentielle : ∀𝛼 > 0, 𝛤 (𝛼 + 1) = 𝛼𝛤(𝛼)

Def : Loi normale